Case-Study zur Arbeitslosigkeit in Deutschland

---

# Ziel der Case-Study

Deutschland hat europaweit eine der niedrigsten Arbeitslosenquoten:

.small[Quelle: [Von Heycci - Daten von Eurostat, CC BY-SA 2.5](https://commons.wikimedia.org/w/index.php?curid=33607327)]
]
--

.pull-right[
.question[Doch gilt dies für alle Regionen in Deutschland? Warum ist die Arbeitslosenquote in manchen Regionen höher als in anderen?]

---

# Ziele der Case Study

Diese Case-Study besteht aus **mehreren Teilen** und wird Sie durch die komplette Vorlesung als **konkretes Anschauungsobjekt** begleiten.

Diese Case-Study dient als:
- konkretes und umfangreiches Beispiel für ein Projekt
- ökonomische und geographische Kenntnisse über Deutschland erhalten
- Beispiel wie statistische und programmiertechnische Kenntnisse in der empirischen Arbeit eingesetzt werden können

---

# Datensätze herunterladen

---

## Ersten Teil der Case Study

- Daten einlesen
- Daten bearbeiten und in eine geeignete Form bringen ( `tidy` )

Anwenden auf

- Daten zur Arbeitslosenstatistik
- Daten zur Verschuldung einzelner Landkreise bzw. Gemeinden
- Daten zum BIP

---

## Wichtig für die Datenbeschaffung

- Zuverlässige und qualitativ hochwertige Datenquellen ausfinding machen 
- Automatisierten Download programmieren
- Einlesen, verarbeiten und zusammenführen verschiedener Datensätze in R

Verbindung zum 2. RTutor Problem Set:

- **Im Problem Set:** Kennzahlen zu verschiedenen Ländern der europäischen Union 
- **Hier:** Kennzahlen innerhalb Deutschlands

.alert[Sowohl in der Case-Study als auch in den RTutor Problem Sets treffen Sie auf konkrete Probleme, die Sie mit ihren Kenntnissen aus der Vorlesung lösen sollen.]

---

## Daten beschaffen

Woher beziehen wir unsere Informationen?
--

-   Die Informationen über die Verschuldung der **Gemeinden** finden wir auf den Seiten des Statistischen Bundesamts im Report: [Integrierte Schulden der Gemeinden und Gemeindeverbände](https://www.statistikportal.de/de/veroeffentlichungen/integrierte-schulden-der-gemeinden-und-gemeindeverbaende).
-   Die Informationen zur Arbeitslosigkeit auf **Verwaltungsgemeinschaftsebene** finden wir auf den Seiten der [Bundesagentur für Arbeit](https://statistik.arbeitsagentur.de/DE/Navigation/Statistiken/Statistiken-nach-Regionen/BA-Gebietsstruktur-Nav.html).
-   Die Informationen zum BIP auf **Landkreisebene** finden wir auf den Seiten der [Statistischen Ämter des Bundes und der Länder](https://www.statistikportal.de/de/vgrdl).

---

## Nötige Pakete laden

---

```r
library(readxl)
library(skimr)
library(tidyverse)
```

```
## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.1 ──
```

```
## ✔ ggplot2 3.3.6      ✔ purrr   0.3.5 
## ✔ tibble  3.1.7      ✔ dplyr   1.0.10
## ✔ tidyr   1.2.1      ✔ stringr 1.4.1 
## ✔ readr   2.1.3      ✔ forcats 0.5.2
```

```
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
```

---

## Daten herunterladen

- Daten können von URLs mit Befehlen aus den Paketen `readxl` und `readr` direkt eingelesen werden
  - Für Text und Excel-Dateien
- Allerdings, wenn URL nicht mehr verfügbar, was dann?
  - Daten immer mit `download.file()` herunterladen und in einem Unterordner `data` abspeichern!
  
--

.instructions[Automatisierten Download programmieren (wird in der ausformulierten Case-Study gemacht)] (✔️)

.alert[Wir haben die Daten bereits im Github Repository `case-study-germany` heruntergeladen und abgespeichert. Klonen Sie dieses Repository von Github auf ihren PC!]

---

## Klonen Sie unsere Github Seite

- Gehen Sie auf die [Github Seite des Projektkurses](https://github.com/projektkurs-datascience/22-23)
- Klicken Sie auf des grünen "Code" Button
- Kopieren Sie sich die [angezeigte HTTPS](https://github.com/projektkurs-datascience/22-23.git)
- Gehen Sie in Github Desktop und fügen dort die kopierte HTTPS in "Clone a repository" -> "URL"

[Hier eine Step-by-Step Anleitung](https://docs.github.com/desktop/contributing-and-collaborating-using-github-desktop/adding-and-cloning-repositories/cloning-a-repository-from-github-to-github-desktop?platform=windows)

.alert[Wenn Sie zu Beginn der Woche in Github Desktop auf "Pull" klicken werden alle Vorlesungsinhalte automatisch aktualisiert, d.h. alle Vorlesungsfolien, die Case-Study, Tutorials etc.!]

---

# Daten einlesen

Unterschiedliche Tabellenblätter, welches ist für uns interessant?

```r
# Öffnen des ZIP-Archivs
alo_name <- as.character(unzip("../case-study/data/Arbeitslose_2017.xlsx.zip", list = TRUE)$Name)
unzip("../case-study/data/Arbeitslose_2017.xlsx.zip", alo_name)
excel_sheets(alo_name)
```

```
##  [1] "Deckblatt"           "Impressum"           "Inhalt"             
##  [4] "Hinweis"             "5"                   "6"                  
##  [7] "7"                   "8"                   "9"                  
## [10] "Statistik-Infoseite"
```
--

**Vermutung:** Durch Tabellenblatt "Inhalt" könnten wir schlauer werden

---

```r
alo_inhalt <- read_xlsx(alo_name, sheet = "Inhalt")
head(alo_inhalt, 15)
```

```
## # A tibble: 15 × 4
##    ...1                             ...2               ...3  Arbeitslose nach …¹
##    <chr>                            <chr>              <lgl> <chr>              
##  1 <NA>                             <NA>               NA    <NA>               
##  2 Inhaltsverzeichnis               <NA>               NA    <NA>               
##  3 <NA>                             <NA>               NA    <NA>               
##  4 Berichtsmonat: Jahreszahlen 2017 <NA>               NA    <NA>               
##  5 <NA>                             <NA>               NA    <NA>               
##  6 Arbeitslose nach Gemeinden       <NA>               NA    <NA>               
##  7 <NA>                             Impressum          NA    2                  
##  8 <NA>                             Inhaltsverzeichnis NA    3                  
##  9 <NA>                             Hinweise           NA    4                  
## 10 Zugang                           <NA>               NA    <NA>               
## 11 <NA>                             Insgesamt          NA    5                  
## 12 Bestand                          <NA>               NA    <NA>               
## 13 <NA>                             Insgesamt          NA    6                  
## 14 <NA>                             Männer             NA    7                  
## 15 <NA>                             Frauen             NA    8                  
## # … with abbreviated variable name
## #   ¹`Arbeitslose nach Gemeinden     Jahreszahlen 2017`
```

---

```r
alo_inhalt <- read_xlsx(alo_name, sheet = "Inhalt")
head(alo_inhalt, 15)
```

```r
## # A tibble: 15 x 4
##    ...1                  ...2          ...3  `Arbeitslose nach Gemeinden     Ja…
##    <chr>                 <chr>         <lgl> <chr>                              
##  1 <NA>                  <NA>          NA    <NA>                               
##  2 Inhaltsverzeichnis    <NA>          NA    <NA>                               
##  3 <NA>                  <NA>          NA    <NA>                               
##  4 Berichtsmonat: Jahre… <NA>          NA    <NA>                               
##  5 <NA>                  <NA>          NA    <NA>                               
##  6 Arbeitslose nach Gem… <NA>          NA    <NA>                               
##  7 <NA>                  Impressum     NA    2                                  
##  8 <NA>                  Inhaltsverze… NA    3                                  
##  9 <NA>                  Hinweise      NA    4                                  
## 10 Zugang                <NA>          NA    <NA>                               
## 11 <NA>                  Insgesamt     NA    5                                  
## 12 Bestand               <NA>          NA    <NA>                               
*## 13 <NA>                  Insgesamt     NA    6                                 
## 14 <NA>                  Männer        NA    7                                  
## 15 <NA>                  Frauen        NA    8
```

**Alternative:** Schauen Sie sich die Excel-Datei in Excel oder LibreOffice an und entscheiden Sie dann, welches Tabellenblatt Sie einlesen möchten.

---

## Spezifizieren welche Spalten eingelesen werden sollen

Welche Information benötigen wir aus der Tabelle
  - Die Anzahl aller Arbeitslosen pro Gemeinde (d.h. SGB II und III gemeinsam)
  - Die Anzahl der Arbeitslosen pro Gemeinde für einen bestimmten Rechtskreis (z.B. nur SGB II)
  - Die Anzahl der Arbeitslosen pro Gemeinde für einen bestimmten Rechtskreis und ein bestimmtes Alter (z.B. SGB II alle unter 25 Jahre)

---

## Spezifizieren welche Spalten eingelesen werden sollen

Welche Information benötigen wir aus der Tabelle
  - .alert[Die Anzahl aller Arbeitslosen pro Gemeinde (d.h. SGB II und III gemeinsam)]
  - Die Anzahl der Arbeitslosen pro Gemeinde für einen bestimmten Rechtskreis (z.B. nur SGB II)
  - Die Anzahl der Arbeitslosen pro Gemeinde für einen bestimmten Rechtskreis und ein bestimmtes Alter (z.B. SGB II alle unter 25 Jahre)

Weiterhin benötigen wir noch den `Schlüssel` und den Gemeindenamen.

Wie können wir die von uns benötigte Information möglichst einfach extrahieren?
--

- Der einfachste Weg: Die ersten acht Zeilen abzuschneiden und die Daten erst ab dort einzulesen.
- Anschließend behalten wir nur die ersten 3 Spalten

---

```r
*alo_skip <- read_xlsx(alo_name, sheet = "6", skip = 8)
```
]
 
.panel2-einlesen_alo-auto[

]

---
count: false

```r
alo_skip <- read_xlsx(alo_name, sheet = "6", skip = 8)

*alo_skip
```
]
 
.panel2-einlesen_alo-auto[

```
## # A tibble: 11,346 × 32
##    Schlüssel Gemei…¹    `1`   `2`    `3`    `4`    `5`    `6`   `7`   `8`    `9`
##    <chr>     <chr>    <dbl> <dbl>  <dbl>  <dbl>  <dbl>  <dbl> <dbl> <dbl>  <dbl>
##  1 <NA>      Deutsc… 2.53e6 47840 230694 839545 529002 655249 14022 71133 136088
##  2 01        Schles… 9.24e4  2072   9703  30138  18788  18688   437  2297   3471
##  3 01001000  Flensb… 4.51e3   108    566   1120    654    983    18   141    137
##  4 01002000  Kiel, … 1.23e4   220   1100   3306   1842   3103    54   294    559
##  5 01003000  Lübeck… 9.69e3   180    836   2902   1667   2050    41   204    391
##  6 01004000  Neumün… 3.84e3   105    440   1134    685    724    10    45    155
##  7 01051     Dithma… 4.63e3   147    634   1402    826    791    27   141    115
##  8 01051001  Albers… 1.5 e2     5     23     43     23     24     0     4      4
##  9 01051002  Arkebek 5   e0     0      1      1      1      2    NA    NA     NA
## 10 01051003  Averlak 1.5 e1     0      3      4      4      1    NA     0     NA
## # … with 11,336 more rows, 21 more variables: `10` <dbl>, `11` <dbl>,
## #   `12` <dbl>, `13` <dbl>, `14` <dbl>, `15` <dbl>, `16` <dbl>, `17` <dbl>,
## #   `18` <dbl>, `19` <dbl>, `20` <dbl>, `21` <dbl>, `22` <dbl>, `23` <dbl>,
## #   `24` <dbl>, `25` <dbl>, `26` <dbl>, `27` <dbl>, `28` <dbl>, `29` <dbl>,
## #   `30` <dbl>, and abbreviated variable name ¹Gemeinde
```
]

---
count: false

```r
alo_skip <- read_xlsx(alo_name, sheet = "6", skip = 8)

alo_skip %>%
* select(c(`Schlüssel`, Gemeinde, `1`))
```
]
 
.panel2-einlesen_alo-auto[

```
## # A tibble: 11,346 × 3
##    Schlüssel Gemeinde                   `1`
##    <chr>     <chr>                    <dbl>
##  1 <NA>      Deutschland            2532837
##  2 01        Schleswig-Holstein       92434
##  3 01001000  Flensburg, Stadt          4512
##  4 01002000  Kiel, Landeshauptstadt   12345
##  5 01003000  Lübeck, Hansestadt        9692
##  6 01004000  Neumünster, Stadt         3836
##  7 01051     Dithmarschen              4628
##  8 01051001  Albersdorf                 150
##  9 01051002  Arkebek                      5
## 10 01051003  Averlak                     15
## # … with 11,336 more rows
```
]

---
count: false

```r
alo_skip <- read_xlsx(alo_name, sheet = "6", skip = 8)

alo_skip %>%
  select(c(`Schlüssel`, Gemeinde, `1`)) %>%
* rename(Regionalschluessel = `Schlüssel`,
*        alo = `1`)
```
]
 
.panel2-einlesen_alo-auto[

```
## # A tibble: 11,346 × 3
##    Regionalschluessel Gemeinde                   alo
##    <chr>              <chr>                    <dbl>
##  1 <NA>               Deutschland            2532837
##  2 01                 Schleswig-Holstein       92434
##  3 01001000           Flensburg, Stadt          4512
##  4 01002000           Kiel, Landeshauptstadt   12345
##  5 01003000           Lübeck, Hansestadt        9692
##  6 01004000           Neumünster, Stadt         3836
##  7 01051              Dithmarschen              4628
##  8 01051001           Albersdorf                 150
##  9 01051002           Arkebek                      5
## 10 01051003           Averlak                     15
## # … with 11,336 more rows
```
]

---
count: false

```r
alo_skip <- read_xlsx(alo_name, sheet = "6", skip = 8)

alo_skip %>%
  select(c(`Schlüssel`, Gemeinde, `1`)) %>%
  rename(Regionalschluessel = `Schlüssel`,
         alo = `1`) %>%
* filter(!is.na(alo) & Gemeinde!= "Deutschland")
```
]
 
.panel2-einlesen_alo-auto[

```
## # A tibble: 11,343 × 3
##    Regionalschluessel Gemeinde                 alo
##    <chr>              <chr>                  <dbl>
##  1 01                 Schleswig-Holstein     92434
##  2 01001000           Flensburg, Stadt        4512
##  3 01002000           Kiel, Landeshauptstadt 12345
##  4 01003000           Lübeck, Hansestadt      9692
##  5 01004000           Neumünster, Stadt       3836
##  6 01051              Dithmarschen            4628
##  7 01051001           Albersdorf               150
##  8 01051002           Arkebek                    5
##  9 01051003           Averlak                   15
## 10 01051004           Bargenstedt               17
## # … with 11,333 more rows
```
]

```r
*#Abspeichern als Datensatz data_alo
  
*data_alo <- alo_skip %>% 
  select(c(`Schlüssel`, Gemeinde, `1`)) %>%
  rename(Regionalschluessel = `Schlüssel`,
         alo = `1`) %>%
  filter(!is.na(alo) & Gemeinde!= "Deutschland")
```

---

## Konsistenzcheck

- Machen die Angaben Sinn und sind die Daten in sich konsistent?
- Externe Datenquelle suchen und intern auf konsistenz prüfen.
- Informationen aggregieren und mit anderen Quellen vergleichen
--

- Zunächst: Anzahl an Arbeitslosen für jedes **Bundesland** in 2017. 
  - zweistelligen `Regionalschluessel`
  - "Buchstaben" für jeden `Regionalschluessel` zählen (`nchar()` (number of characters))
- **Alternative Datenquelle:** [Die Anzahl der Arbeitslosen für das Jahr 2017 unterteilt nach Ländern der Arbeitsagentur](https://statistik.arbeitsagentur.de/Statistikdaten/Detail/201712/iiia4/akt-dat-jz/akt-dat-jz-d-0-201712-xlsx.xlsx)
  - Wichtig: Tabellenblatt 8

---

```r
*data_alo
```
]
 
.panel2-konsistenz_alo-auto[

---
count: false

```r
data_alo %>%
* filter(nchar(Regionalschluessel) == 2)
```
]
 
.panel2-konsistenz_alo-auto[

```
## # A tibble: 16 × 3
##    Regionalschluessel Gemeinde                  alo
##    <chr>              <chr>                   <dbl>
##  1 01                 Schleswig-Holstein      92434
##  2 02                 Hamburg                 69248
##  3 03                 Niedersachsen          244260
##  4 04                 Bremen                  35687
##  5 05                 Nordrhein-Westfalen    701219
##  6 06                 Hessen                 166286
##  7 07                 Rheinland-Pfalz        106299
##  8 08                 Baden-Württemberg      212837
##  9 09                 Bayern                 231353
## 10 10                 Saarland                34672
## 11 11                 Berlin                 168991
## 12 12                 Brandenburg             92648
## 13 13                 Mecklenburg-Vorpommern  70982
## 14 14                 Sachsen                140348
## 15 15                 Sachsen-Anhalt          96960
## 16 16                 Thüringen               68614
```
]

---
count: false

```r
data_alo %>%
  filter(nchar(Regionalschluessel) == 2) %>%
* rename(bundesland = Regionalschluessel)
```
]
 
.panel2-konsistenz_alo-auto[

```
## # A tibble: 16 × 3
##    bundesland Gemeinde                  alo
##    <chr>      <chr>                   <dbl>
##  1 01         Schleswig-Holstein      92434
##  2 02         Hamburg                 69248
##  3 03         Niedersachsen          244260
##  4 04         Bremen                  35687
##  5 05         Nordrhein-Westfalen    701219
##  6 06         Hessen                 166286
##  7 07         Rheinland-Pfalz        106299
##  8 08         Baden-Württemberg      212837
##  9 09         Bayern                 231353
## 10 10         Saarland                34672
## 11 11         Berlin                 168991
## 12 12         Brandenburg             92648
## 13 13         Mecklenburg-Vorpommern  70982
## 14 14         Sachsen                140348
## 15 15         Sachsen-Anhalt          96960
## 16 16         Thüringen               68614
```
]

```r
*# Abspeichern als check_alo_bundesland

*check_alo_bundesland <- data_alo %>%
  filter(nchar(Regionalschluessel) == 2) %>%
  rename(bundesland = Regionalschluessel)
```

---

```r
check_alo_bundesland
```

]

```r
include_graphics("./figs/Alo_Laender.png")
```

]

---

### Interne Konsistenz überprüfen

.instructions[Berechne: Anzahl an Arbeitslosen für jedes Bundesland als Summe der Arbeitslosen einer Gemeinde.]

```r
# Nur Gemeindedaten nutzen, dann auf Bundeslandebende die Summe aus den Gemeindedaten berechnen
alo_meta <- data_alo %>% 
  filter(nchar(Regionalschluessel) == 8) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}"),
         bundesland = str_extract(Regionalschluessel, "^.{2}"))

alo_bundesland <- alo_meta %>%
  group_by(bundesland) %>%
  summarise(total_alo = sum(alo))

alo_landkreis <- alo_meta %>%
  group_by(landkreis) %>%
  summarise(total_alo = sum(alo)) %>%
  rename(Regionalschluessel = landkreis)
```

---

```r
*data_alo
```
]
 
.panel2-interne_konsistenz1-auto[

---
count: false

```r
data_alo %>%
* filter(nchar(Regionalschluessel) == 8)
```
]
 
.panel2-interne_konsistenz1-auto[

```
## # A tibble: 11,010 × 3
##    Regionalschluessel Gemeinde                 alo
##    <chr>              <chr>                  <dbl>
##  1 01001000           Flensburg, Stadt        4512
##  2 01002000           Kiel, Landeshauptstadt 12345
##  3 01003000           Lübeck, Hansestadt      9692
##  4 01004000           Neumünster, Stadt       3836
##  5 01051001           Albersdorf               150
##  6 01051002           Arkebek                    5
##  7 01051003           Averlak                   15
##  8 01051004           Bargenstedt               17
##  9 01051005           Barkenholm                 3
## 10 01051006           Barlt                     21
## # … with 11,000 more rows
```
]

---
count: false

```r
data_alo %>%
  filter(nchar(Regionalschluessel) == 8) %>%
* mutate(landkreis = str_extract(Regionalschluessel, "^.{5}"))
```
]
 
.panel2-interne_konsistenz1-auto[

```
## # A tibble: 11,010 × 4
##    Regionalschluessel Gemeinde                 alo landkreis
##    <chr>              <chr>                  <dbl> <chr>    
##  1 01001000           Flensburg, Stadt        4512 01001    
##  2 01002000           Kiel, Landeshauptstadt 12345 01002    
##  3 01003000           Lübeck, Hansestadt      9692 01003    
##  4 01004000           Neumünster, Stadt       3836 01004    
##  5 01051001           Albersdorf               150 01051    
##  6 01051002           Arkebek                    5 01051    
##  7 01051003           Averlak                   15 01051    
##  8 01051004           Bargenstedt               17 01051    
##  9 01051005           Barkenholm                 3 01051    
## 10 01051006           Barlt                     21 01051    
## # … with 11,000 more rows
```
]

---
count: false

```r
data_alo %>%
  filter(nchar(Regionalschluessel) == 8) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}")) %>%
* mutate(bundesland = str_extract(Regionalschluessel, "^.{2}"))
```
]
 
.panel2-interne_konsistenz1-auto[

```
## # A tibble: 11,010 × 5
##    Regionalschluessel Gemeinde                 alo landkreis bundesland
##    <chr>              <chr>                  <dbl> <chr>     <chr>     
##  1 01001000           Flensburg, Stadt        4512 01001     01        
##  2 01002000           Kiel, Landeshauptstadt 12345 01002     01        
##  3 01003000           Lübeck, Hansestadt      9692 01003     01        
##  4 01004000           Neumünster, Stadt       3836 01004     01        
##  5 01051001           Albersdorf               150 01051     01        
##  6 01051002           Arkebek                    5 01051     01        
##  7 01051003           Averlak                   15 01051     01        
##  8 01051004           Bargenstedt               17 01051     01        
##  9 01051005           Barkenholm                 3 01051     01        
## 10 01051006           Barlt                     21 01051     01        
## # … with 11,000 more rows
```
]

---
count: false

```r
data_alo %>%
  filter(nchar(Regionalschluessel) == 8) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}")) %>%
  mutate(bundesland = str_extract(Regionalschluessel, "^.{2}")) ->
*alo_meta
```
]
 
.panel2-interne_konsistenz1-auto[

]

---

```r
*alo_meta
```
]
 
.panel2-interne_konsistenz2-auto[

---
count: false

```r
alo_meta %>%
* group_by(bundesland)
```
]
 
.panel2-interne_konsistenz2-auto[

```
## # A tibble: 11,010 × 5
## # Groups:   bundesland [16]
##    Regionalschluessel Gemeinde                 alo landkreis bundesland
##    <chr>              <chr>                  <dbl> <chr>     <chr>     
##  1 01001000           Flensburg, Stadt        4512 01001     01        
##  2 01002000           Kiel, Landeshauptstadt 12345 01002     01        
##  3 01003000           Lübeck, Hansestadt      9692 01003     01        
##  4 01004000           Neumünster, Stadt       3836 01004     01        
##  5 01051001           Albersdorf               150 01051     01        
##  6 01051002           Arkebek                    5 01051     01        
##  7 01051003           Averlak                   15 01051     01        
##  8 01051004           Bargenstedt               17 01051     01        
##  9 01051005           Barkenholm                 3 01051     01        
## 10 01051006           Barlt                     21 01051     01        
## # … with 11,000 more rows
```
]

---
count: false

```r
alo_meta %>%
  group_by(bundesland) %>%
* summarise(total_alo = sum(alo))
```
]
 
.panel2-interne_konsistenz2-auto[

```
## # A tibble: 16 × 2
##    bundesland total_alo
##    <chr>          <dbl>
##  1 01             92449
##  2 02             69248
##  3 03            244277
##  4 04             35687
##  5 05            701212
##  6 06            166296
##  7 07            106287
##  8 08            212835
##  9 09            231355
## 10 10             34675
## 11 11            168991
## 12 12             92644
## 13 13             70989
## 14 14            140348
## 15 15             96960
## 16 16             68609
```
]

---
count: false

```r
alo_meta %>%
  group_by(bundesland) %>%
  summarise(total_alo = sum(alo)) ->
*alo_bundesland
```
]
 
.panel2-interne_konsistenz2-auto[

]

---

```r
*alo_meta
```
]
 
.panel2-interne_konsistenz3-auto[

---
count: false

```r
alo_meta %>%
* group_by(landkreis)
```
]
 
.panel2-interne_konsistenz3-auto[

```
## # A tibble: 11,010 × 5
## # Groups:   landkreis [401]
##    Regionalschluessel Gemeinde                 alo landkreis bundesland
##    <chr>              <chr>                  <dbl> <chr>     <chr>     
##  1 01001000           Flensburg, Stadt        4512 01001     01        
##  2 01002000           Kiel, Landeshauptstadt 12345 01002     01        
##  3 01003000           Lübeck, Hansestadt      9692 01003     01        
##  4 01004000           Neumünster, Stadt       3836 01004     01        
##  5 01051001           Albersdorf               150 01051     01        
##  6 01051002           Arkebek                    5 01051     01        
##  7 01051003           Averlak                   15 01051     01        
##  8 01051004           Bargenstedt               17 01051     01        
##  9 01051005           Barkenholm                 3 01051     01        
## 10 01051006           Barlt                     21 01051     01        
## # … with 11,000 more rows
```
]

---
count: false

```r
alo_meta %>%
  group_by(landkreis) %>%
* summarise(total_alo = sum(alo))
```
]
 
.panel2-interne_konsistenz3-auto[

```
## # A tibble: 401 × 2
##    landkreis total_alo
##    <chr>         <dbl>
##  1 01001          4512
##  2 01002         12345
##  3 01003          9692
##  4 01004          3836
##  5 01051          4632
##  6 01053          5592
##  7 01054          5657
##  8 01055          5748
##  9 01056          8599
## 10 01057          3264
## # … with 391 more rows
```
]

---
count: false

```r
alo_meta %>%
  group_by(landkreis) %>%
  summarise(total_alo = sum(alo)) %>%
* rename(Regionalschluessel = landkreis)
```
]
 
.panel2-interne_konsistenz3-auto[

```
## # A tibble: 401 × 2
##    Regionalschluessel total_alo
##    <chr>                  <dbl>
##  1 01001                   4512
##  2 01002                  12345
##  3 01003                   9692
##  4 01004                   3836
##  5 01051                   4632
##  6 01053                   5592
##  7 01054                   5657
##  8 01055                   5748
##  9 01056                   8599
## 10 01057                   3264
## # … with 391 more rows
```
]

---
count: false

```r
alo_meta %>%
  group_by(landkreis) %>%
  summarise(total_alo = sum(alo)) %>%
  rename(Regionalschluessel = landkreis) ->
*alo_landkreis
```
]
 
.panel2-interne_konsistenz3-auto[

]

---

### Interne Konsistenz überprüfen

Wir wollen nun die zwei Tabellen miteinander verbinden (besserer Überblick)

- Datensatz `check_alo_bundeland`: Auf Bundesland aggregierte Zahlen der Arbeitslosigkeit aus den Gemeinden
- Datessatz `alo_bundesland`: Die schon von der Arbeitsagentur aggregierte Zahlen in unserem Datensatz

---

```r
*left_join(check_alo_bundesland, alo_bundesland, by = "bundesland")
```
]
 
.panel2-interne_konsistenz4-auto[

```
## # A tibble: 16 × 4
##    bundesland Gemeinde                  alo total_alo
##    <chr>      <chr>                   <dbl>     <dbl>
##  1 01         Schleswig-Holstein      92434     92449
##  2 02         Hamburg                 69248     69248
##  3 03         Niedersachsen          244260    244277
##  4 04         Bremen                  35687     35687
##  5 05         Nordrhein-Westfalen    701219    701212
##  6 06         Hessen                 166286    166296
##  7 07         Rheinland-Pfalz        106299    106287
##  8 08         Baden-Württemberg      212837    212835
##  9 09         Bayern                 231353    231355
## 10 10         Saarland                34672     34675
## 11 11         Berlin                 168991    168991
## 12 12         Brandenburg             92648     92644
## 13 13         Mecklenburg-Vorpommern  70982     70989
## 14 14         Sachsen                140348    140348
## 15 15         Sachsen-Anhalt          96960     96960
## 16 16         Thüringen               68614     68609
```
]

---
count: false

```r
left_join(check_alo_bundesland, alo_bundesland, by = "bundesland") ->
* check_consitency
```
]
 
.panel2-interne_konsistenz4-auto[

]

---
count: false

```r
left_join(check_alo_bundesland, alo_bundesland, by = "bundesland") ->
  check_consitency

*check_consitency
```
]
 
.panel2-interne_konsistenz4-auto[

---
count: false

```r
left_join(check_alo_bundesland, alo_bundesland, by = "bundesland") ->
  check_consitency

check_consitency %>%
* mutate(diff = alo - total_alo)
```
]
 
.panel2-interne_konsistenz4-auto[

```
## # A tibble: 16 × 5
##    bundesland Gemeinde                  alo total_alo  diff
##    <chr>      <chr>                   <dbl>     <dbl> <dbl>
##  1 01         Schleswig-Holstein      92434     92449   -15
##  2 02         Hamburg                 69248     69248     0
##  3 03         Niedersachsen          244260    244277   -17
##  4 04         Bremen                  35687     35687     0
##  5 05         Nordrhein-Westfalen    701219    701212     7
##  6 06         Hessen                 166286    166296   -10
##  7 07         Rheinland-Pfalz        106299    106287    12
##  8 08         Baden-Württemberg      212837    212835     2
##  9 09         Bayern                 231353    231355    -2
## 10 10         Saarland                34672     34675    -3
## 11 11         Berlin                 168991    168991     0
## 12 12         Brandenburg             92648     92644     4
## 13 13         Mecklenburg-Vorpommern  70982     70989    -7
## 14 14         Sachsen                140348    140348     0
## 15 15         Sachsen-Anhalt          96960     96960     0
## 16 16         Thüringen               68614     68609     5
```
]

---

# Pro-Kopf Verschuldung

---

## Pro-Kopf Verschuldung auf Gemeindeebene

- Auf Gemeindeebene aus dem Jahr 2017
- Querschnittsdaten
- Vom Statistischen Bundesamt direkt als Excel-Tabelle heruntergeladen (✔️)

```r
excel_sheets("../case-study/data/Schulden_2017.xlsx")
```

```
##  [1] "Titel"              "Impressum"          "Inhalt"            
##  [4] "Abkürzungen"        "Erläuterungen"      "SH"                
##  [7] "NI"                 "NW"                 "HE"                
## [10] "RP"                 "BW"                 "BY"                
## [13] "SL"                 "BB"                 "MV"                
## [16] "SN"                 "ST"                 "TH"                
## [19] "Statistische Ämter"
```

---

## Mehrere Tabellenblätter einlesen

- Nicht alle Informationen in **einem Tabellenblatt** enthalten
  - Viele separate Tabellenblätter
  - Hier kommt die `for`-Schleife zum Einsatz

---

## Mehrere Tabellenblätter einlesen

```r
sh <- read_xlsx("../case-study/data/Schulden_2017.xlsx", sheet = "SH")
head(sh,20)
```

```
## # A tibble: 20 × 16
##    Zurück zu…¹ ...2  ...3  ...4  ...5  ...6  ...7  ...8  ...9  ...10 ...11 ...12
##    <chr>       <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
##  1  <NA>       <NA>  <NA>   <NA> <NA>   <NA> <NA>  <NA>  <NA>  <NA>  <NA>  <NA> 
##  2  <NA>       <NA>  <NA>   <NA> <NA>   <NA> <NA>  <NA>  <NA>  <NA>  <NA>  <NA> 
##  3 "Tabelle 1… <NA>  <NA>   <NA> <NA>   <NA> <NA>  <NA>  <NA>  <NA>  <NA>  <NA> 
##  4 "nach Höhe… <NA>  <NA>   <NA> <NA>   <NA> <NA>  <NA>  <NA>  <NA>  <NA>  <NA> 
##  5 "Regional-… Geme… Verw… "Ein… Schu… "Sch… Schu… <NA>  <NA>  <NA>  <NA>  <NA> 
##  6  <NA>       <NA>  <NA>   <NA> <NA>   <NA> zusa… Schu… ante… <NA>  <NA>  <NA> 
##  7  <NA>       <NA>  <NA>   <NA> <NA>   <NA> <NA>  <NA>  zusa… davo… <NA>  <NA> 
##  8  <NA>       <NA>  <NA>   <NA> <NA>   <NA> <NA>  <NA>  <NA>  100%  50% … unte…
##  9  <NA>       <NA>  <NA>   <NA> EUR    <NA> <NA>  <NA>  <NA>  <NA>  <NA>  <NA> 
## 10  <NA>       <NA>  <NA>   <NA> 1     "2"   3     4     5     6     7     8    
## 11 "010010000… Flen… krei… "877… 5082… "579… 2979… 1126… 1853… 1822… 2906… 2072…
## 12 "010020000… Kiel… krei… "247… 9488… "383… 5632… 5626… 5701… 4437… 0     1264…
## 13 "010030000… Lübe… krei… "216… 1206… "556… 6014… 5938… 7606… 7027… 0     5788…
## 14 "010040000… Neum… krei… "787… 4260… "540… 1233… 1152… 8176… 8103… 0     72975
## 15 "01051"     Krei… Krei… "{13… 6517… "487… 4309… 4302… 72975 0     0     72975
## 16 "010510011… Brun… amts… "127… 3493… "273… 5707… 5195… 5125… 0     0     5125…
## 17 "010510044… Heid… amts… "215… 3705… "172… 2237… 1999… 2375… 0     1863… 5125…
## 18 "010515163" Amts… Amts… "{15… 1047… "66.… 1047… 9742… 72975 0     0     72975
## 19 "010515163… Aver… amts… "576" 1197… "207… 7796… 6325… 1471… 0     0     1471…
## 20 "010515163… Bric… amts… "219" 4962… "226… 3336… 1865… 1471… 0     0     1471…
## # … with 4 more variables: ...13 <chr>, ...14 <chr>,
## #   `Zurück zum Inhalt...15` <chr>, ...16 <chr>, and abbreviated variable name
## #   ¹`Zurück zum Inhalt...1`
```

---

## Mehrere Tabellenblätter einlesen

Wir benötigen:
- "Regionalschlüssel"
- "Gemeindename"
- "Einwohner"
- "Schuldes des öffentlichen Bereichs insgesamt"
- "Schulden je Einwohner"

Variablenbezeichnungen beginnen in Zeile 5, d.h. wir ignorieren die ersten 4 Zeilen beim Einlesen.

---

## Mehrere Tabellenblätter einlesen

Der Übersicht halber wollen wir noch eine Spalte hinzufügen, welche den Namen des Tabellenblattes enthält, welches wir gerade eingelesen haben.

```r
# Einlesen des Tabellenblattes "SH" ohne die ersten 5 Zeilen und nur die Spalten 1-6
schulden_individuell <- read_xlsx("../case-study/data/Schulden_2017.xlsx", sheet = "SH", skip = 5)[1:6]
# Umbenennen der ersten 6 Spalten
colnames(schulden_individuell) <- c("Regionalschluessel", "Gemeinde", 
                                    "Verwaltungsform", "Einwohner", "Schulden_gesamt", "Schulden_pro_kopf")

# Zusätzliche Spalte hinzufügen mit dem Namen des Tabellenblattes
*schulden_individuell$Bundesland <- "SH"
```

---

```r
# Einlesen des Tabellenblattes "SH" ohne die ersten 5 Zeilen und nur die Spalten 1-6
*read_xlsx("../case-study/data/Schulden_2017.xlsx", sheet = "SH", skip = 5)[1:6]
```
]
 
.panel2-schulden_einlesen-auto[

```
## # A tibble: 1,312 × 6
##    `Regional-\r\nschlüssel` Gemeinde/Gemeindev…¹ Verwa…² Einwo…³ Schul…⁴ Schul…⁵
##    <chr>                    <chr>                <chr>   <chr>   <chr>   <chr>  
##  1 <NA>                     <NA>                 <NA>    <NA>    <NA>    <NA>   
##  2 <NA>                     <NA>                 <NA>    <NA>    <NA>    <NA>   
##  3 <NA>                     <NA>                 <NA>    <NA>    <NA>    <NA>   
##  4 <NA>                     <NA>                 <NA>    <NA>    EUR     <NA>   
##  5 <NA>                     <NA>                 <NA>    <NA>    1       2      
##  6 010010000000             Flensburg, Stadt     kreisf… 87770   508281… 5791.06
##  7 010020000000             Kiel, Landeshauptst… kreisf… 247135  948848… 3839.39
##  8 010030000000             Lübeck, Hansestadt   kreisf… 216739  120662… 5567.16
##  9 010040000000             Neumünster, Stadt    kreisf… 78759   426019… 5409.15
## 10 01051                    Kreisverwaltung Dit… Kreisv… {133 6… 651790… 487.56 
## # … with 1,302 more rows, and abbreviated variable names
## #   ¹`Gemeinde/Gemeindeverband`, ²Verwaltungsform,
## #   ³`Einwohner/in\r\nam\r\n30.06.2017`,
## #   ⁴`Schulden des öffentlichen Bereichs insgesamt`,
## #   ⁵`Schulden je \r\nEinwohner/in`
```
]

---
count: false

```r
# Einlesen des Tabellenblattes "SH" ohne die ersten 5 Zeilen und nur die Spalten 1-6
read_xlsx("../case-study/data/Schulden_2017.xlsx", sheet = "SH", skip = 5)[1:6] ->
* schulden_individuell
```
]
 
.panel2-schulden_einlesen-auto[

]

---
count: false

```r
# Einlesen des Tabellenblattes "SH" ohne die ersten 5 Zeilen und nur die Spalten 1-6
read_xlsx("../case-study/data/Schulden_2017.xlsx", sheet = "SH", skip = 5)[1:6] ->
  schulden_individuell

# Umbenennen der ersten 6 Spalten
*colnames(schulden_individuell) <- c("Regionalschluessel", "Gemeinde",
*                                   "Verwaltungsform", "Einwohner", "Schulden_gesamt", "Schulden_pro_kopf")
```
]
 
.panel2-schulden_einlesen-auto[

]

---
count: false

```r
# Einlesen des Tabellenblattes "SH" ohne die ersten 5 Zeilen und nur die Spalten 1-6
read_xlsx("../case-study/data/Schulden_2017.xlsx", sheet = "SH", skip = 5)[1:6] ->
  schulden_individuell

# Umbenennen der ersten 6 Spalten
colnames(schulden_individuell) <- c("Regionalschluessel", "Gemeinde",
                                    "Verwaltungsform", "Einwohner", "Schulden_gesamt", "Schulden_pro_kopf")

# Zusätzliche Spalte hinzufügen mit dem Namen des Tabellenblattes
*schulden_individuell$Bundesland <- "SH"
```
]
 
.panel2-schulden_einlesen-auto[

]

---
count: false

```r
# Einlesen des Tabellenblattes "SH" ohne die ersten 5 Zeilen und nur die Spalten 1-6
read_xlsx("../case-study/data/Schulden_2017.xlsx", sheet = "SH", skip = 5)[1:6] ->
  schulden_individuell

# Zusätzliche Spalte hinzufügen mit dem Namen des Tabellenblattes
schulden_individuell$Bundesland <- "SH"

*schulden_individuell
```
]
 
.panel2-schulden_einlesen-auto[

```
## # A tibble: 1,312 × 7
##    Regionalschluessel Gemeinde           Verwa…¹ Einwo…² Schul…³ Schul…⁴ Bunde…⁵
##    <chr>              <chr>              <chr>   <chr>   <chr>   <chr>   <chr>  
##  1 <NA>               <NA>               <NA>    <NA>    <NA>    <NA>    SH     
##  2 <NA>               <NA>               <NA>    <NA>    <NA>    <NA>    SH     
##  3 <NA>               <NA>               <NA>    <NA>    <NA>    <NA>    SH     
##  4 <NA>               <NA>               <NA>    <NA>    EUR     <NA>    SH     
##  5 <NA>               <NA>               <NA>    <NA>    1       2       SH     
##  6 010010000000       Flensburg, Stadt   kreisf… 87770   508281… 5791.06 SH     
##  7 010020000000       Kiel, Landeshaupt… kreisf… 247135  948848… 3839.39 SH     
##  8 010030000000       Lübeck, Hansestadt kreisf… 216739  120662… 5567.16 SH     
##  9 010040000000       Neumünster, Stadt  kreisf… 78759   426019… 5409.15 SH     
## 10 01051              Kreisverwaltung D… Kreisv… {133 6… 651790… 487.56  SH     
## # … with 1,302 more rows, and abbreviated variable names ¹Verwaltungsform,
## #   ²Einwohner, ³Schulden_gesamt, ⁴Schulden_pro_kopf, ⁵Bundesland
```
]

---

## Mehrere Tabellenblätter einlesen

```r
# Daten mit for-Schleife einlesen (Struktur gleich wie im vorherigen Chunk)
sheet_names <- excel_sheets("../case-study/data/Schulden_2017.xlsx")
# Einlesen der Tabellenblätter 7-18 (alle Bundesländer)
sheet_read <- sheet_names[7:18]
*for (i in 1:length(sheet_read)){
  tmp <- read_xlsx("../case-study/data/Schulden_2017.xlsx", sheet = sheet_read[i], skip = 5)[1:6]
*  tmp$Bundesland <- sheet_read[i]
  colnames(tmp) <- c("Regionalschluessel", "Gemeinde", "Verwaltungsform", 
                     "Einwohner", "Schulden_gesamt", "Schulden_pro_kopf", "Bundesland")
  # Daten aller weiteren Tabellenblätter unter den aktuellen Datensatz anheften
  schulden_individuell <- bind_rows(schulden_individuell, tmp)
}
```

---

## Mehrere Tabellenblätter einlesen

```r
# Daten mit for-Schleife einlesen (Struktur gleich wie im vorherigen Chunk)
sheet_names <- excel_sheets("../case-study/data/Schulden_2017.xlsx")
# Einlesen der Tabellenblätter 7-18 (alle Bundesländer)
sheet_read <- sheet_names[7:18]
for (i in 1:length(sheet_read)){
  tmp <- read_xlsx("../case-study/data/Schulden_2017.xlsx", sheet = sheet_read[i], skip = 5)[1:6]
*  tmp$Bundesland <- sheet_read[i]
  colnames(tmp) <- c("Regionalschluessel", "Gemeinde", "Verwaltungsform", 
                     "Einwohner", "Schulden_gesamt", "Schulden_pro_kopf", "Bundesland")
  # Daten aller weiteren Tabellenblätter unter den aktuellen Datensatz anheften
  schulden_individuell <- bind_rows(schulden_individuell, tmp)
}
```

Eine zusätzliche Spalte generieren, welche die Information pro Bundesland enthält

---

```r
*# Daten mit for-Schleife einlesen (Struktur gleich wie im vorherigen Chunk)  # Daten mit for-Schleife einlesen (Struktur gleich wie im vorherigen Chunk)
```
]
 
.panel2-for_loop-auto[

]

---
count: false

```r
# Daten mit for-Schleife einlesen (Struktur gleich wie im vorherigen Chunk)  # Daten mit for-Schleife einlesen (Struktur gleich wie im vorherigen Chunk)
*excel_sheets("../case-study/data/Schulden_2017.xlsx")
```
]
 
.panel2-for_loop-auto[

---
count: false

```r
# Daten mit for-Schleife einlesen (Struktur gleich wie im vorherigen Chunk)  # Daten mit for-Schleife einlesen (Struktur gleich wie im vorherigen Chunk)
excel_sheets("../case-study/data/Schulden_2017.xlsx") ->
* sheet_names
```
]
 
.panel2-for_loop-auto[

]

---
count: false

*# Einlesen der Tabellenblätter 7-18 (alle Bundesländer)  # Einlesen der Tabellenblätter 7-18 (alle Bundesländer)
```
]
 
.panel2-for_loop-auto[

]

---
count: false

# Einlesen der Tabellenblätter 7-18 (alle Bundesländer)  # Einlesen der Tabellenblätter 7-18 (alle Bundesländer)
*sheet_names[7:18]
```
]
 
.panel2-for_loop-auto[

```
##  [1] "NI" "NW" "HE" "RP" "BW" "BY" "SL" "BB" "MV" "SN" "ST" "TH"
```
]

---
count: false

# Einlesen der Tabellenblätter 7-18 (alle Bundesländer)  # Einlesen der Tabellenblätter 7-18 (alle Bundesländer)
sheet_names[7:18] ->
* sheet_read
```
]
 
.panel2-for_loop-auto[

]

---
count: false

# Einlesen der Tabellenblätter 7-18 (alle Bundesländer)  # Einlesen der Tabellenblätter 7-18 (alle Bundesländer)
sheet_names[7:18] ->
  sheet_read

*length(sheet_read)
```
]
 
.panel2-for_loop-auto[

```
## [1] 12
```
]

---
count: false

# Einlesen der Tabellenblätter 7-18 (alle Bundesländer)  # Einlesen der Tabellenblätter 7-18 (alle Bundesländer)
sheet_names[7:18] ->
  sheet_read

length(sheet_read)

*for (i in 1:length(sheet_read)){
* tmp <- read_xlsx("../case-study/data/Schulden_2017.xlsx", sheet = sheet_read[i], skip = 5)[1:6]
* tmp$Bundesland <- sheet_read[i]
* colnames(tmp) <- c("Regionalschluessel", "Gemeinde", "Verwaltungsform",
*                    "Einwohner", "Schulden_gesamt", "Schulden_pro_kopf", "Bundesland")
# Daten aller weiteren Tabellenblätter unter den aktuellen Datensatz anheften
* schulden_individuell <- bind_rows(schulden_individuell, tmp)
*} 
```
]
 
.panel2-for_loop-auto[

```
## [1] 12
```
]

---
count: false

# Einlesen der Tabellenblätter 7-18 (alle Bundesländer)  # Einlesen der Tabellenblätter 7-18 (alle Bundesländer)
sheet_names[7:18] ->
  sheet_read

length(sheet_read)

for (i in 1:length(sheet_read)){
  tmp <- read_xlsx("../case-study/data/Schulden_2017.xlsx", sheet = sheet_read[i], skip = 5)[1:6]
  tmp$Bundesland <- sheet_read[i]
  colnames(tmp) <- c("Regionalschluessel", "Gemeinde", "Verwaltungsform",
                     "Einwohner", "Schulden_gesamt", "Schulden_pro_kopf", "Bundesland")
# Daten aller weiteren Tabellenblätter unter den aktuellen Datensatz anheften
  schulden_individuell <- bind_rows(schulden_individuell, tmp)
}

*schulden_individuell
```
]
 
.panel2-for_loop-auto[

```
## [1] 12
```

```
## # A tibble: 25,796 × 7
##    Regionalschluessel Gemeinde           Verwa…¹ Einwo…² Schul…³ Schul…⁴ Bunde…⁵
##    <chr>              <chr>              <chr>   <chr>   <chr>   <chr>   <chr>  
##  1 <NA>               <NA>               <NA>    <NA>    <NA>    <NA>    SH     
##  2 <NA>               <NA>               <NA>    <NA>    <NA>    <NA>    SH     
##  3 <NA>               <NA>               <NA>    <NA>    <NA>    <NA>    SH     
##  4 <NA>               <NA>               <NA>    <NA>    EUR     <NA>    SH     
##  5 <NA>               <NA>               <NA>    <NA>    1       2       SH     
##  6 010010000000       Flensburg, Stadt   kreisf… 87770   508281… 5791.06 SH     
##  7 010020000000       Kiel, Landeshaupt… kreisf… 247135  948848… 3839.39 SH     
##  8 010030000000       Lübeck, Hansestadt kreisf… 216739  120662… 5567.16 SH     
##  9 010040000000       Neumünster, Stadt  kreisf… 78759   426019… 5409.15 SH     
## 10 01051              Kreisverwaltung D… Kreisv… {133 6… 651790… 487.56  SH     
## # … with 25,786 more rows, and abbreviated variable names ¹Verwaltungsform,
## #   ²Einwohner, ³Schulden_gesamt, ⁴Schulden_pro_kopf, ⁵Bundesland
```
]

---

## Variablen umformen

```r
head(schulden_individuell,15)
```

```
## # A tibble: 15 × 7
##    Regionalschluessel Gemeinde           Verwa…¹ Einwo…² Schul…³ Schul…⁴ Bunde…⁵
##    <chr>              <chr>              <chr>   <chr>   <chr>   <chr>   <chr>  
##  1 <NA>               <NA>               <NA>    <NA>    <NA>    <NA>    SH     
##  2 <NA>               <NA>               <NA>    <NA>    <NA>    <NA>    SH     
##  3 <NA>               <NA>               <NA>    <NA>    <NA>    <NA>    SH     
##  4 <NA>               <NA>               <NA>    <NA>    EUR     <NA>    SH     
##  5 <NA>               <NA>               <NA>    <NA>    1       2       SH     
##  6 010010000000       Flensburg, Stadt   kreisf… 87770   508281… 5791.06 SH     
##  7 010020000000       Kiel, Landeshaupt… kreisf… 247135  948848… 3839.39 SH     
##  8 010030000000       Lübeck, Hansestadt kreisf… 216739  120662… 5567.16 SH     
##  9 010040000000       Neumünster, Stadt  kreisf… 78759   426019… 5409.15 SH     
## 10 01051              Kreisverwaltung D… Kreisv… {133 6… 651790… 487.56  SH     
## 11 010510011011       Brunsbüttel, Stadt amtsfr… 12781   349348… 2733.34 SH     
## 12 010510044044       Heide, Stadt       amtsfr… 21508   370562… 1722.91 SH     
## 13 010515163          Amtsverwaltung Bu… Amtsve… {15 65… 1047175 66.900… SH     
## 14 010515163003       Averlak            amtsan… 576     1197761 2079.4… SH     
## 15 010515163010       Brickeln           amtsan… 219     496264  2266.0… SH     
## # … with abbreviated variable names ¹Verwaltungsform, ²Einwohner,
## #   ³Schulden_gesamt, ⁴Schulden_pro_kopf, ⁵Bundesland
```

---

## Variablen umformen

Wir sehen, es gibt immer noch einige Probleme:

- Die Werte unserer Variablen stehen nicht direkt unter dem Variablennamen 
  - Dies können wir am einfachsten bereinigen indem wir alle `NA`s im Regionalschlüssel entfernen 
--

- Die Variablen "Einwohner", "Schulden_gesamt" und "Schulden_pro_Kopf" sind alle als `character` hinterlegt (`<chr>` unter dem Variablennamen in der vorherigen Tabelle)
  - Beispiel warum Klasse `character` (Zeile 28): Es sind geschweifte Klammern enthalten

```r
schulden_individuell[28,]
```

```
## # A tibble: 1 × 7
##   Regionalschluessel   Gemeinde          Verwa…¹ Einwo…² Schul…³ Schul…⁴ Bunde…⁵
##   <chr>                <chr>             <chr>   <chr>   <chr>   <chr>   <chr>  
## 1 010515163_Summe(Amt) Burg-Sankt Micha… Amtsge… {15 65… {22 84… {1 460} SH     
## # … with abbreviated variable names ¹Verwaltungsform, ²Einwohner,
## #   ³Schulden_gesamt, ⁴Schulden_pro_kopf, ⁵Bundesland
```

- Definition einer Variablen `landkreis`: Ersten 5 Zeichen im Regionalschlüssel

---

```r
# Die Daten wurden noch nicht schön eingelesen, in der Excel Tabelle
# waren die Variablennamen über mehrere Reihen gezogen, dies müssen wir noch ausgleichen
*schulden_individuell
```
]
 
.panel2-schulden_umformen-auto[

```
## # A tibble: 13,554 × 7
##    Regionalschluessel Gemeinde           Verwa…¹ Einwo…² Schul…³ Schul…⁴ Bunde…⁵
##    <chr>              <chr>              <chr>   <chr>   <chr>   <chr>   <chr>  
##  1 <NA>               <NA>               <NA>    <NA>    <NA>    <NA>    SH     
##  2 <NA>               <NA>               <NA>    <NA>    <NA>    <NA>    SH     
##  3 <NA>               <NA>               <NA>    <NA>    <NA>    <NA>    SH     
##  4 <NA>               <NA>               <NA>    <NA>    EUR     <NA>    SH     
##  5 <NA>               <NA>               <NA>    <NA>    1       2       SH     
##  6 010010000000       Flensburg, Stadt   kreisf… 87770   508281… 5791.06 SH     
##  7 010020000000       Kiel, Landeshaupt… kreisf… 247135  948848… 3839.39 SH     
##  8 010030000000       Lübeck, Hansestadt kreisf… 216739  120662… 5567.16 SH     
##  9 010040000000       Neumünster, Stadt  kreisf… 78759   426019… 5409.15 SH     
## 10 01051              Kreisverwaltung D… Kreisv… {133 6… 651790… 487.56  SH     
## # … with 13,544 more rows, and abbreviated variable names ¹Verwaltungsform,
## #   ²Einwohner, ³Schulden_gesamt, ⁴Schulden_pro_kopf, ⁵Bundesland
```
]

---
count: false

```
## # A tibble: 13,450 × 7
##    Regionalschluessel Gemeinde           Verwa…¹ Einwo…² Schul…³ Schul…⁴ Bunde…⁵
##    <chr>              <chr>              <chr>   <chr>   <chr>   <chr>   <chr>  
##  1 010010000000       Flensburg, Stadt   kreisf… 87770   508281… 5791.06 SH     
##  2 010020000000       Kiel, Landeshaupt… kreisf… 247135  948848… 3839.39 SH     
##  3 010030000000       Lübeck, Hansestadt kreisf… 216739  120662… 5567.16 SH     
##  4 010040000000       Neumünster, Stadt  kreisf… 78759   426019… 5409.15 SH     
##  5 01051              Kreisverwaltung D… Kreisv… {133 6… 651790… 487.56  SH     
##  6 010510011011       Brunsbüttel, Stadt amtsfr… 12781   349348… 2733.34 SH     
##  7 010510044044       Heide, Stadt       amtsfr… 21508   370562… 1722.91 SH     
##  8 010515163          Amtsverwaltung Bu… Amtsve… {15 65… 1047175 66.900… SH     
##  9 010515163003       Averlak            amtsan… 576     1197761 2079.4… SH     
## 10 010515163010       Brickeln           amtsan… 219     496264  2266.0… SH     
## # … with 13,440 more rows, and abbreviated variable names ¹Verwaltungsform,
## #   ²Einwohner, ³Schulden_gesamt, ⁴Schulden_pro_kopf, ⁵Bundesland
```
]

---
count: false

```
## # A tibble: 13,450 × 7
##    Regionalschluessel Gemeinde           Verwa…¹ Einwo…² Schul…³ Schul…⁴ Bunde…⁵
##    <chr>              <chr>              <chr>   <chr>     <dbl> <chr>   <chr>  
##  1 010010000000       Flensburg, Stadt   kreisf… 87770    5.08e8 5791.06 SH     
##  2 010020000000       Kiel, Landeshaupt… kreisf… 247135   9.49e8 3839.39 SH     
##  3 010030000000       Lübeck, Hansestadt kreisf… 216739   1.21e9 5567.16 SH     
##  4 010040000000       Neumünster, Stadt  kreisf… 78759    4.26e8 5409.15 SH     
##  5 01051              Kreisverwaltung D… Kreisv… {133 6…  6.52e7 487.56  SH     
##  6 010510011011       Brunsbüttel, Stadt amtsfr… 12781    3.49e7 2733.34 SH     
##  7 010510044044       Heide, Stadt       amtsfr… 21508    3.71e7 1722.91 SH     
##  8 010515163          Amtsverwaltung Bu… Amtsve… {15 65…  1.05e6 66.900… SH     
##  9 010515163003       Averlak            amtsan… 576      1.20e6 2079.4… SH     
## 10 010515163010       Brickeln           amtsan… 219      4.96e5 2266.0… SH     
## # … with 13,440 more rows, and abbreviated variable names ¹Verwaltungsform,
## #   ²Einwohner, ³Schulden_gesamt, ⁴Schulden_pro_kopf, ⁵Bundesland
```
]

---
count: false

```
## # A tibble: 13,450 × 7
##    Regionalschluessel Gemeinde           Verwa…¹ Einwo…² Schul…³ Schul…⁴ Bunde…⁵
##    <chr>              <chr>              <chr>     <dbl>   <dbl> <chr>   <chr>  
##  1 010010000000       Flensburg, Stadt   kreisf…   87770  5.08e8 5791.06 SH     
##  2 010020000000       Kiel, Landeshaupt… kreisf…  247135  9.49e8 3839.39 SH     
##  3 010030000000       Lübeck, Hansestadt kreisf…  216739  1.21e9 5567.16 SH     
##  4 010040000000       Neumünster, Stadt  kreisf…   78759  4.26e8 5409.15 SH     
##  5 01051              Kreisverwaltung D… Kreisv…      NA  6.52e7 487.56  SH     
##  6 010510011011       Brunsbüttel, Stadt amtsfr…   12781  3.49e7 2733.34 SH     
##  7 010510044044       Heide, Stadt       amtsfr…   21508  3.71e7 1722.91 SH     
##  8 010515163          Amtsverwaltung Bu… Amtsve…      NA  1.05e6 66.900… SH     
##  9 010515163003       Averlak            amtsan…     576  1.20e6 2079.4… SH     
## 10 010515163010       Brickeln           amtsan…     219  4.96e5 2266.0… SH     
## # … with 13,440 more rows, and abbreviated variable names ¹Verwaltungsform,
## #   ²Einwohner, ³Schulden_gesamt, ⁴Schulden_pro_kopf, ⁵Bundesland
```
]

---
count: false

```
## # A tibble: 13,450 × 7
##    Regionalschluessel Gemeinde           Verwa…¹ Einwo…² Schul…³ Schul…⁴ Bunde…⁵
##    <chr>              <chr>              <chr>     <dbl>   <dbl>   <dbl> <chr>  
##  1 010010000000       Flensburg, Stadt   kreisf…   87770  5.08e8  5791.  SH     
##  2 010020000000       Kiel, Landeshaupt… kreisf…  247135  9.49e8  3839.  SH     
##  3 010030000000       Lübeck, Hansestadt kreisf…  216739  1.21e9  5567.  SH     
##  4 010040000000       Neumünster, Stadt  kreisf…   78759  4.26e8  5409.  SH     
##  5 01051              Kreisverwaltung D… Kreisv…      NA  6.52e7   488.  SH     
##  6 010510011011       Brunsbüttel, Stadt amtsfr…   12781  3.49e7  2733.  SH     
##  7 010510044044       Heide, Stadt       amtsfr…   21508  3.71e7  1723.  SH     
##  8 010515163          Amtsverwaltung Bu… Amtsve…      NA  1.05e6    66.9 SH     
##  9 010515163003       Averlak            amtsan…     576  1.20e6  2079.  SH     
## 10 010515163010       Brickeln           amtsan…     219  4.96e5  2266.  SH     
## # … with 13,440 more rows, and abbreviated variable names ¹Verwaltungsform,
## #   ²Einwohner, ³Schulden_gesamt, ⁴Schulden_pro_kopf, ⁵Bundesland
```
]

---
count: false

```
## # A tibble: 13,450 × 8
##    Regionalschluessel Gemeinde   Verwa…¹ Einwo…² Schul…³ Schul…⁴ Bunde…⁵ landk…⁶
##    <chr>              <chr>      <chr>     <dbl>   <dbl>   <dbl> <chr>   <chr>  
##  1 010010000000       Flensburg… kreisf…   87770  5.08e8  5791.  SH      01001  
##  2 010020000000       Kiel, Lan… kreisf…  247135  9.49e8  3839.  SH      01002  
##  3 010030000000       Lübeck, H… kreisf…  216739  1.21e9  5567.  SH      01003  
##  4 010040000000       Neumünste… kreisf…   78759  4.26e8  5409.  SH      01004  
##  5 01051              Kreisverw… Kreisv…      NA  6.52e7   488.  SH      01051  
##  6 010510011011       Brunsbütt… amtsfr…   12781  3.49e7  2733.  SH      01051  
##  7 010510044044       Heide, St… amtsfr…   21508  3.71e7  1723.  SH      01051  
##  8 010515163          Amtsverwa… Amtsve…      NA  1.05e6    66.9 SH      01051  
##  9 010515163003       Averlak    amtsan…     576  1.20e6  2079.  SH      01051  
## 10 010515163010       Brickeln   amtsan…     219  4.96e5  2266.  SH      01051  
## # … with 13,440 more rows, and abbreviated variable names ¹Verwaltungsform,
## #   ²Einwohner, ³Schulden_gesamt, ⁴Schulden_pro_kopf, ⁵Bundesland, ⁶landkreis
```
]

---
count: false

```r
# Die Daten wurden noch nicht schön eingelesen, in der Excel Tabelle
# waren die Variablennamen über mehrere Reihen gezogen, dies müssen wir noch ausgleichen
schulden_individuell %>%
  filter(!is.na(Regionalschluessel)) %>%
  mutate(Schulden_gesamt = as.numeric(Schulden_gesamt)) %>%
  mutate(Einwohner = as.numeric(Einwohner)) %>%
  mutate(Schulden_pro_kopf = as.numeric(Schulden_pro_kopf)) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}")) %>%
#bei der Gemeinde Selent wurde in der Excel Tabelle die "0" vergessen, dies wird hier behoben
* mutate(landkreis = ifelse(landkreis == "10575", "01057", landkreis))
```
]
 
.panel2-schulden_umformen-auto[

---
count: false

```r
# Die Daten wurden noch nicht schön eingelesen, in der Excel Tabelle
# waren die Variablennamen über mehrere Reihen gezogen, dies müssen wir noch ausgleichen
schulden_individuell %>%
  filter(!is.na(Regionalschluessel)) %>%
  mutate(Schulden_gesamt = as.numeric(Schulden_gesamt)) %>%
  mutate(Einwohner = as.numeric(Einwohner)) %>%
  mutate(Schulden_pro_kopf = as.numeric(Schulden_pro_kopf)) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}")) %>%
#bei der Gemeinde Selent wurde in der Excel Tabelle die "0" vergessen, dies wird hier behoben
  mutate(landkreis = ifelse(landkreis == "10575", "01057", landkreis)) %>%
#manche Landkreise haben keine Infos zu den Einwohnern, diese entfernen
* filter( !is.na( Einwohner ))
```
]
 
.panel2-schulden_umformen-auto[

```
## # A tibble: 11,050 × 8
##    Regionalschluessel Gemeinde   Verwa…¹ Einwo…² Schul…³ Schul…⁴ Bunde…⁵ landk…⁶
##    <chr>              <chr>      <chr>     <dbl>   <dbl>   <dbl> <chr>   <chr>  
##  1 010010000000       Flensburg… kreisf…   87770  5.08e8   5791. SH      01001  
##  2 010020000000       Kiel, Lan… kreisf…  247135  9.49e8   3839. SH      01002  
##  3 010030000000       Lübeck, H… kreisf…  216739  1.21e9   5567. SH      01003  
##  4 010040000000       Neumünste… kreisf…   78759  4.26e8   5409. SH      01004  
##  5 010510011011       Brunsbütt… amtsfr…   12781  3.49e7   2733. SH      01051  
##  6 010510044044       Heide, St… amtsfr…   21508  3.71e7   1723. SH      01051  
##  7 010515163003       Averlak    amtsan…     576  1.20e6   2079. SH      01051  
##  8 010515163010       Brickeln   amtsan…     219  4.96e5   2266. SH      01051  
##  9 010515163012       Buchholz   amtsan…    1008  1.23e6   1220. SH      01051  
## 10 010515163016       Burg (Dit… amtsan…    4114  7.92e6   1926. SH      01051  
## # … with 11,040 more rows, and abbreviated variable names ¹Verwaltungsform,
## #   ²Einwohner, ³Schulden_gesamt, ⁴Schulden_pro_kopf, ⁵Bundesland, ⁶landkreis
```
]

---
count: false

```r
# Die Daten wurden noch nicht schön eingelesen, in der Excel Tabelle
# waren die Variablennamen über mehrere Reihen gezogen, dies müssen wir noch ausgleichen
schulden_individuell %>%
  filter(!is.na(Regionalschluessel)) %>%
  mutate(Schulden_gesamt = as.numeric(Schulden_gesamt)) %>%
  mutate(Einwohner = as.numeric(Einwohner)) %>%
  mutate(Schulden_pro_kopf = as.numeric(Schulden_pro_kopf)) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}")) %>%
#bei der Gemeinde Selent wurde in der Excel Tabelle die "0" vergessen, dies wird hier behoben
  mutate(landkreis = ifelse(landkreis == "10575", "01057", landkreis)) %>%
#manche Landkreise haben keine Infos zu den Einwohnern, diese entfernen
  filter( !is.na( Einwohner )) ->
*schulden_bereinigt
```
]
 
.panel2-schulden_umformen-auto[

]

---
count: false

```r
# Die Daten wurden noch nicht schön eingelesen, in der Excel Tabelle
# waren die Variablennamen über mehrere Reihen gezogen, dies müssen wir noch ausgleichen
schulden_individuell %>%
  filter(!is.na(Regionalschluessel)) %>%
  mutate(Schulden_gesamt = as.numeric(Schulden_gesamt)) %>%
  mutate(Einwohner = as.numeric(Einwohner)) %>%
  mutate(Schulden_pro_kopf = as.numeric(Schulden_pro_kopf)) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}")) %>%
#bei der Gemeinde Selent wurde in der Excel Tabelle die "0" vergessen, dies wird hier behoben
  mutate(landkreis = ifelse(landkreis == "10575", "01057", landkreis)) %>%
#manche Landkreise haben keine Infos zu den Einwohnern, diese entfernen
  filter( !is.na( Einwohner )) ->
schulden_bereinigt
```
]
 
.panel2-schulden_umformen-auto[

]

---

# Konsistenzcheck zum Schulden-Datensatz

---

## Interne Validität Schulden pro Kopf

- `Schulden_pro_Kopf_new` von Hand berechnen
- **Beachte:**
  - Geschweiften Klammern entfernen bei `Schulden_gesamt` (mit `str_remove_all`), als auch die Leerzeichen innerhalb der Zahlen (z.B. 15 653), was wir mit `gsub("[[:space:]]")` erreichen. 
  - Tun wir das nicht, so würden wir wieder `NA`s im Datensatz erhalten
  - Durch die ifelse Bedingung wird der Befehl `str_remove_all` nur angewendet, wenn tatsächlich geschweifte Klammern vorhanden sind

```r
# Erstellen der Vergleichstabelle
schulden_consistency <- schulden_individuell %>%
  filter( !is.na(Einwohner) & !is.na(Regionalschluessel) ) %>%
  mutate(Schulden_gesamt = ifelse(is.na(as.numeric(Schulden_gesamt))==TRUE, 
                                  as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_gesamt, "[{}]"))), 
                                  as.numeric(Schulden_gesamt)),
         Schulden_pro_kopf = ifelse(is.na(as.numeric(Schulden_pro_kopf))==TRUE, 
                                    as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_pro_kopf, "[{}]"))), 
                                    as.numeric(Schulden_pro_kopf)),
         Einwohner_num = ifelse(is.na(as.numeric(Einwohner))==TRUE, 
                                as.numeric(gsub("[[:space:]]", "", str_remove_all(Einwohner, "[{}]"))), 
                                as.numeric(Einwohner)),
         Schulden_pro_kopf_new = round(Schulden_gesamt / Einwohner_num,2)) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}"),
         differenz = Schulden_pro_kopf - Schulden_pro_kopf_new) 
```

]
---

```r
# Erstellen der Vergleichstabelle
*schulden_individuell
```
]
 
.panel2-schulden_konsistenz-auto[

---
count: false

```r
# Erstellen der Vergleichstabelle
schulden_individuell %>%
* filter( !is.na(Einwohner) & !is.na(Regionalschluessel) )
```
]
 
.panel2-schulden_konsistenz-auto[

```
## # A tibble: 13,421 × 7
##    Regionalschluessel Gemeinde           Verwa…¹ Einwo…² Schul…³ Schul…⁴ Bunde…⁵
##    <chr>              <chr>              <chr>   <chr>   <chr>   <chr>   <chr>  
##  1 010010000000       Flensburg, Stadt   kreisf… 87770   508281… 5791.06 SH     
##  2 010020000000       Kiel, Landeshaupt… kreisf… 247135  948848… 3839.39 SH     
##  3 010030000000       Lübeck, Hansestadt kreisf… 216739  120662… 5567.16 SH     
##  4 010040000000       Neumünster, Stadt  kreisf… 78759   426019… 5409.15 SH     
##  5 01051              Kreisverwaltung D… Kreisv… {133 6… 651790… 487.56  SH     
##  6 010510011011       Brunsbüttel, Stadt amtsfr… 12781   349348… 2733.34 SH     
##  7 010510044044       Heide, Stadt       amtsfr… 21508   370562… 1722.91 SH     
##  8 010515163          Amtsverwaltung Bu… Amtsve… {15 65… 1047175 66.900… SH     
##  9 010515163003       Averlak            amtsan… 576     1197761 2079.4… SH     
## 10 010515163010       Brickeln           amtsan… 219     496264  2266.0… SH     
## # … with 13,411 more rows, and abbreviated variable names ¹Verwaltungsform,
## #   ²Einwohner, ³Schulden_gesamt, ⁴Schulden_pro_kopf, ⁵Bundesland
```
]

---
count: false

```r
# Erstellen der Vergleichstabelle
schulden_individuell %>%
  filter( !is.na(Einwohner) & !is.na(Regionalschluessel) ) %>%
* mutate(Schulden_gesamt = ifelse(is.na(as.numeric(Schulden_gesamt))==TRUE,
*                                 as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_gesamt, "[{}]"))),
*                                 as.numeric(Schulden_gesamt)))
```
]
 
.panel2-schulden_konsistenz-auto[

```
## # A tibble: 13,421 × 7
##    Regionalschluessel Gemeinde           Verwa…¹ Einwo…² Schul…³ Schul…⁴ Bunde…⁵
##    <chr>              <chr>              <chr>   <chr>     <dbl> <chr>   <chr>  
##  1 010010000000       Flensburg, Stadt   kreisf… 87770    5.08e8 5791.06 SH     
##  2 010020000000       Kiel, Landeshaupt… kreisf… 247135   9.49e8 3839.39 SH     
##  3 010030000000       Lübeck, Hansestadt kreisf… 216739   1.21e9 5567.16 SH     
##  4 010040000000       Neumünster, Stadt  kreisf… 78759    4.26e8 5409.15 SH     
##  5 01051              Kreisverwaltung D… Kreisv… {133 6…  6.52e7 487.56  SH     
##  6 010510011011       Brunsbüttel, Stadt amtsfr… 12781    3.49e7 2733.34 SH     
##  7 010510044044       Heide, Stadt       amtsfr… 21508    3.71e7 1722.91 SH     
##  8 010515163          Amtsverwaltung Bu… Amtsve… {15 65…  1.05e6 66.900… SH     
##  9 010515163003       Averlak            amtsan… 576      1.20e6 2079.4… SH     
## 10 010515163010       Brickeln           amtsan… 219      4.96e5 2266.0… SH     
## # … with 13,411 more rows, and abbreviated variable names ¹Verwaltungsform,
## #   ²Einwohner, ³Schulden_gesamt, ⁴Schulden_pro_kopf, ⁵Bundesland
```
]

---
count: false

```
## # A tibble: 13,421 × 7
##    Regionalschluessel Gemeinde           Verwa…¹ Einwo…² Schul…³ Schul…⁴ Bunde…⁵
##    <chr>              <chr>              <chr>   <chr>     <dbl>   <dbl> <chr>  
##  1 010010000000       Flensburg, Stadt   kreisf… 87770    5.08e8  5791.  SH     
##  2 010020000000       Kiel, Landeshaupt… kreisf… 247135   9.49e8  3839.  SH     
##  3 010030000000       Lübeck, Hansestadt kreisf… 216739   1.21e9  5567.  SH     
##  4 010040000000       Neumünster, Stadt  kreisf… 78759    4.26e8  5409.  SH     
##  5 01051              Kreisverwaltung D… Kreisv… {133 6…  6.52e7   488.  SH     
##  6 010510011011       Brunsbüttel, Stadt amtsfr… 12781    3.49e7  2733.  SH     
##  7 010510044044       Heide, Stadt       amtsfr… 21508    3.71e7  1723.  SH     
##  8 010515163          Amtsverwaltung Bu… Amtsve… {15 65…  1.05e6    66.9 SH     
##  9 010515163003       Averlak            amtsan… 576      1.20e6  2079.  SH     
## 10 010515163010       Brickeln           amtsan… 219      4.96e5  2266.  SH     
## # … with 13,411 more rows, and abbreviated variable names ¹Verwaltungsform,
## #   ²Einwohner, ³Schulden_gesamt, ⁴Schulden_pro_kopf, ⁵Bundesland
```
]

---
count: false

```r
# Erstellen der Vergleichstabelle
schulden_individuell %>%
  filter( !is.na(Einwohner) & !is.na(Regionalschluessel) ) %>%
  mutate(Schulden_gesamt = ifelse(is.na(as.numeric(Schulden_gesamt))==TRUE,
                                  as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_gesamt, "[{}]"))),
                                  as.numeric(Schulden_gesamt))) %>%
  mutate(Schulden_pro_kopf = ifelse(is.na(as.numeric(Schulden_pro_kopf))==TRUE,
                                    as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_pro_kopf, "[{}]"))),
                                    as.numeric(Schulden_pro_kopf))) %>%
* mutate(Einwohner_num = ifelse(is.na(as.numeric(Einwohner))==TRUE,
*                               as.numeric(gsub("[[:space:]]", "", str_remove_all(Einwohner, "[{}]"))),
*                               as.numeric(Einwohner)))
```
]
 
.panel2-schulden_konsistenz-auto[

```
## # A tibble: 13,421 × 8
##    Regionalschluessel Gemeinde   Verwa…¹ Einwo…² Schul…³ Schul…⁴ Bunde…⁵ Einwo…⁶
##    <chr>              <chr>      <chr>   <chr>     <dbl>   <dbl> <chr>     <dbl>
##  1 010010000000       Flensburg… kreisf… 87770    5.08e8  5791.  SH        87770
##  2 010020000000       Kiel, Lan… kreisf… 247135   9.49e8  3839.  SH       247135
##  3 010030000000       Lübeck, H… kreisf… 216739   1.21e9  5567.  SH       216739
##  4 010040000000       Neumünste… kreisf… 78759    4.26e8  5409.  SH        78759
##  5 01051              Kreisverw… Kreisv… {133 6…  6.52e7   488.  SH       133684
##  6 010510011011       Brunsbütt… amtsfr… 12781    3.49e7  2733.  SH        12781
##  7 010510044044       Heide, St… amtsfr… 21508    3.71e7  1723.  SH        21508
##  8 010515163          Amtsverwa… Amtsve… {15 65…  1.05e6    66.9 SH        15653
##  9 010515163003       Averlak    amtsan… 576      1.20e6  2079.  SH          576
## 10 010515163010       Brickeln   amtsan… 219      4.96e5  2266.  SH          219
## # … with 13,411 more rows, and abbreviated variable names ¹Verwaltungsform,
## #   ²Einwohner, ³Schulden_gesamt, ⁴Schulden_pro_kopf, ⁵Bundesland,
## #   ⁶Einwohner_num
```
]

---
count: false

```r
# Erstellen der Vergleichstabelle
schulden_individuell %>%
  filter( !is.na(Einwohner) & !is.na(Regionalschluessel) ) %>%
  mutate(Schulden_gesamt = ifelse(is.na(as.numeric(Schulden_gesamt))==TRUE,
                                  as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_gesamt, "[{}]"))),
                                  as.numeric(Schulden_gesamt))) %>%
  mutate(Schulden_pro_kopf = ifelse(is.na(as.numeric(Schulden_pro_kopf))==TRUE,
                                    as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_pro_kopf, "[{}]"))),
                                    as.numeric(Schulden_pro_kopf))) %>%
  mutate(Einwohner_num = ifelse(is.na(as.numeric(Einwohner))==TRUE,
                                as.numeric(gsub("[[:space:]]", "", str_remove_all(Einwohner, "[{}]"))),
                                as.numeric(Einwohner))) %>%
* mutate(Schulden_pro_kopf_new = round(Schulden_gesamt / Einwohner_num,2))
```
]
 
.panel2-schulden_konsistenz-auto[

```
## # A tibble: 13,421 × 9
##    Regionalsch…¹ Gemei…² Verwa…³ Einwo…⁴ Schul…⁵ Schul…⁶ Bunde…⁷ Einwo…⁸ Schul…⁹
##    <chr>         <chr>   <chr>   <chr>     <dbl>   <dbl> <chr>     <dbl>   <dbl>
##  1 010010000000  Flensb… kreisf… 87770    5.08e8  5791.  SH        87770  5791. 
##  2 010020000000  Kiel, … kreisf… 247135   9.49e8  3839.  SH       247135  3839. 
##  3 010030000000  Lübeck… kreisf… 216739   1.21e9  5567.  SH       216739  5567. 
##  4 010040000000  Neumün… kreisf… 78759    4.26e8  5409.  SH        78759  5409. 
##  5 01051         Kreisv… Kreisv… {133 6…  6.52e7   488.  SH       133684   488. 
##  6 010510011011  Brunsb… amtsfr… 12781    3.49e7  2733.  SH        12781  2733. 
##  7 010510044044  Heide,… amtsfr… 21508    3.71e7  1723.  SH        21508  1723. 
##  8 010515163     Amtsve… Amtsve… {15 65…  1.05e6    66.9 SH        15653    66.9
##  9 010515163003  Averlak amtsan… 576      1.20e6  2079.  SH          576  2079. 
## 10 010515163010  Bricke… amtsan… 219      4.96e5  2266.  SH          219  2266. 
## # … with 13,411 more rows, and abbreviated variable names ¹Regionalschluessel,
## #   ²Gemeinde, ³Verwaltungsform, ⁴Einwohner, ⁵Schulden_gesamt,
## #   ⁶Schulden_pro_kopf, ⁷Bundesland, ⁸Einwohner_num, ⁹Schulden_pro_kopf_new
```
]

---
count: false

```r
# Erstellen der Vergleichstabelle
schulden_individuell %>%
  filter( !is.na(Einwohner) & !is.na(Regionalschluessel) ) %>%
  mutate(Schulden_gesamt = ifelse(is.na(as.numeric(Schulden_gesamt))==TRUE,
                                  as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_gesamt, "[{}]"))),
                                  as.numeric(Schulden_gesamt))) %>%
  mutate(Schulden_pro_kopf = ifelse(is.na(as.numeric(Schulden_pro_kopf))==TRUE,
                                    as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_pro_kopf, "[{}]"))),
                                    as.numeric(Schulden_pro_kopf))) %>%
  mutate(Einwohner_num = ifelse(is.na(as.numeric(Einwohner))==TRUE,
                                as.numeric(gsub("[[:space:]]", "", str_remove_all(Einwohner, "[{}]"))),
                                as.numeric(Einwohner))) %>%
  mutate(Schulden_pro_kopf_new = round(Schulden_gesamt / Einwohner_num,2)) %>%
* mutate(landkreis = str_extract(Regionalschluessel, "^.{5}"),
*        differenz = Schulden_pro_kopf - Schulden_pro_kopf_new)
```
]
 
.panel2-schulden_konsistenz-auto[

```
## # A tibble: 13,421 × 11
##    Regionalsch…¹ Gemei…² Verwa…³ Einwo…⁴ Schul…⁵ Schul…⁶ Bunde…⁷ Einwo…⁸ Schul…⁹
##    <chr>         <chr>   <chr>   <chr>     <dbl>   <dbl> <chr>     <dbl>   <dbl>
##  1 010010000000  Flensb… kreisf… 87770    5.08e8  5791.  SH        87770  5791. 
##  2 010020000000  Kiel, … kreisf… 247135   9.49e8  3839.  SH       247135  3839. 
##  3 010030000000  Lübeck… kreisf… 216739   1.21e9  5567.  SH       216739  5567. 
##  4 010040000000  Neumün… kreisf… 78759    4.26e8  5409.  SH        78759  5409. 
##  5 01051         Kreisv… Kreisv… {133 6…  6.52e7   488.  SH       133684   488. 
##  6 010510011011  Brunsb… amtsfr… 12781    3.49e7  2733.  SH        12781  2733. 
##  7 010510044044  Heide,… amtsfr… 21508    3.71e7  1723.  SH        21508  1723. 
##  8 010515163     Amtsve… Amtsve… {15 65…  1.05e6    66.9 SH        15653    66.9
##  9 010515163003  Averlak amtsan… 576      1.20e6  2079.  SH          576  2079. 
## 10 010515163010  Bricke… amtsan… 219      4.96e5  2266.  SH          219  2266. 
## # … with 13,411 more rows, 2 more variables: landkreis <chr>, differenz <dbl>,
## #   and abbreviated variable names ¹Regionalschluessel, ²Gemeinde,
## #   ³Verwaltungsform, ⁴Einwohner, ⁵Schulden_gesamt, ⁶Schulden_pro_kopf,
## #   ⁷Bundesland, ⁸Einwohner_num, ⁹Schulden_pro_kopf_new
```
]

---
count: false

```r
# Erstellen der Vergleichstabelle
schulden_individuell %>%
  filter( !is.na(Einwohner) & !is.na(Regionalschluessel) ) %>%
  mutate(Schulden_gesamt = ifelse(is.na(as.numeric(Schulden_gesamt))==TRUE,
                                  as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_gesamt, "[{}]"))),
                                  as.numeric(Schulden_gesamt))) %>%
  mutate(Schulden_pro_kopf = ifelse(is.na(as.numeric(Schulden_pro_kopf))==TRUE,
                                    as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_pro_kopf, "[{}]"))),
                                    as.numeric(Schulden_pro_kopf))) %>%
  mutate(Einwohner_num = ifelse(is.na(as.numeric(Einwohner))==TRUE,
                                as.numeric(gsub("[[:space:]]", "", str_remove_all(Einwohner, "[{}]"))),
                                as.numeric(Einwohner))) %>%
  mutate(Schulden_pro_kopf_new = round(Schulden_gesamt / Einwohner_num,2)) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}"),
         differenz = Schulden_pro_kopf - Schulden_pro_kopf_new) ->
*schulden_consistency
```
]
 
.panel2-schulden_konsistenz-auto[

]

---

## Interne Validität Schulden pro Kopf

```r
range(schulden_consistency$differenz, na.rm=TRUE)
```

```
## [1] -0.49  0.50
```

---

## Interne Validität Schulden pro Kopf

Es gibt 12 nicht verfügbaren Werte:

```r
filter(schulden_consistency, is.na(differenz))
```

```
## # A tibble: 12 × 11
##    Regionalsch…¹ Gemei…² Verwa…³ Einwo…⁴ Schul…⁵ Schul…⁶ Bunde…⁷ Einwo…⁸ Schul…⁹
##    <chr>         <chr>   <chr>   <chr>     <dbl>   <dbl> <chr>     <dbl>   <dbl>
##  1 033519501_Su… Lohhei… Samtge… {768}   NA           NA NI          768      NA
##  2 033589501_Su… Osterh… Samtge… {2 884} NA           NA NI         2884      NA
##  3 052           Landsc… Landsc… X        7.37e8      NA NW           NA      NA
##  4 056           Landsc… Landsc… X        6.72e8      NA NW           NA      NA
##  5 058           Region… Kommun… X        1.32e8      NA NW           NA      NA
##  6 067           Verwal… Landes… X        3.00e7      NA HE           NA      NA
##  7 074           Bezirk… Bezirk… X        1.40e8      NA RP           NA      NA
##  8 081a          Landes… Landes… X        5.32e6      NA BW           NA      NA
##  9 081b          Kommun… Landes… X        0           NA BW           NA      NA
## 10 091785127_Su… Allers… Verwal… {7 190} NA           NA BY         7190      NA
## 11 095725512_Su… Aurach… Verwal… {4 368} NA           NA BY         4368      NA
## 12 144           Kommun… Landes… X        1.00e7      NA SN           NA      NA
## # … with 2 more variables: landkreis <chr>, differenz <dbl>, and abbreviated
## #   variable names ¹Regionalschluessel, ²Gemeinde, ³Verwaltungsform,
## #   ⁴Einwohner, ⁵Schulden_gesamt, ⁶Schulden_pro_kopf, ⁷Bundesland,
## #   ⁸Einwohner_num, ⁹Schulden_pro_kopf_new
```

---

# Bruttoinlandsprodukt

---

## Informationen bzgl. des Bruttoinlandsprodukts

Nach dem Download bei den Statistischen Ämtern des Bundes und der Länder und einer ersten Betrachtung interessieren uns folgende Tabellenblätter:

- Betrachten der Daten 
  - Tabellenblatt "1.1" ist für unsere Analyse ausschlaggebend (für das BIP)
  - Tabellenblatt "3.1" ist für die Anzahl an Erwerbstätigen ausschlaggebend
  - Tabellenblatt "5." ist für die Anzahl an Einwohnern ausschlaggebend
- Die ersten vier Zeilen benötigen wir nicht
- Die letzte Zeile enthält eine kurze Beschreibung die wir nicht benötigen 
  - **Lösung:** Behalte alle Zeilen, welche bei der `Lfd. Nr.` numerisch sind
- Die folgenden Variablen benötigen wir nicht für unsere Analyse und können entfernt werden: `Lfd. Nr.`, `EU-Code`, `NUTS 1`, `NUTS 2`, `NUTS 3`, `Land`, `Gebietseinheit`

---

## Informationen bzgl. des Bruttoinlandsprodukts

```r
# Blatt 1.1 einlesen und die ersten 4 Zeilen skippen
bip <- read_xlsx("../case-study/data/BIP_2021.xlsx", sheet="1.1", skip = 4)
erwerb <- read_xlsx("../case-study/data/BIP_2021.xlsx", sheet="3.1", skip = 4)
einwohner <- read_xlsx("../case-study/data/BIP_2021.xlsx", sheet = "5.", skip = 4)
```

---

```r
# Zeile löschen in der die `Lfd. Nr.` nicht nummerisch ist
# Zusätzliche Spalten löschen
*bip
```
]
 
.panel2-bip_einlesen1-auto[

```
## # A tibble: 448 × 36
##    Lfd. Nr…¹ EU-Co…² Regio…³ Land  NUTS …⁴ NUTS …⁵ NUTS …⁶ Gebie…⁷ `1992` `1994`
##    <chr>     <chr>   <chr>   <chr> <chr>   <chr>   <chr>   <chr>   <chr>  <chr> 
##  1 <NA>      <NA>    <NA>    <NA>  <NA>    <NA>    <NA>    <NA>    <NA>   <NA>  
##  2 1         DE1     08      BW    1       <NA>    <NA>    Baden-… 25586… 26264…
##  3 2         DE11    081     BW    <NA>    2       <NA>    Stuttg… 11097… 11160…
##  4 3         DE111   08111   BW    <NA>    <NA>    3       Stuttg… 32946… 31736…
##  5 4         DE112   08115   BW    <NA>    <NA>    3       Böblin… 12090… 11833…
##  6 5         DE113   08116   BW    <NA>    <NA>    3       Esslin… 12275… 12482…
##  7 6         DE114   08117   BW    <NA>    <NA>    3       Göppin… 5062.… 5180.…
##  8 7         DE115   08118   BW    <NA>    <NA>    3       Ludwig… 11714… 12163…
##  9 8         DE116   08119   BW    <NA>    <NA>    3       Rems-M… 8500.… 8723.…
## 10 9         DE117   08121   BW    <NA>    <NA>    3       Heilbr… 4219.… 4387.…
## # … with 438 more rows, 26 more variables: `1995` <chr>, `1996` <chr>,
## #   `1997` <chr>, `1998` <chr>, `1999` <chr>, `2000` <dbl>, `2001` <dbl>,
## #   `2002` <dbl>, `2003` <dbl>, `2004` <dbl>, `2005` <dbl>, `2006` <dbl>,
## #   `2007` <dbl>, `2008` <dbl>, `2009` <dbl>, `2010` <dbl>, `2011` <dbl>,
## #   `2012` <dbl>, `2013` <dbl>, `2014` <dbl>, `2015` <dbl>, `2016` <dbl>,
## #   `2017` <dbl>, `2018` <dbl>, `2019` <dbl>, `2020` <dbl>, and abbreviated
## #   variable names ¹`Lfd. Nr.`, ²`EU-Code`, ³`Regional-schlüssel`, ⁴`NUTS 1`, …
```
]

---
count: false

```r
# Zeile löschen in der die `Lfd. Nr.` nicht nummerisch ist
# Zusätzliche Spalten löschen
bip %>%
* filter(is.na(as.numeric(`Lfd. Nr.`))==FALSE)
```
]
 
.panel2-bip_einlesen1-auto[

```
## # A tibble: 445 × 36
##    Lfd. Nr…¹ EU-Co…² Regio…³ Land  NUTS …⁴ NUTS …⁵ NUTS …⁶ Gebie…⁷ `1992` `1994`
##    <chr>     <chr>   <chr>   <chr> <chr>   <chr>   <chr>   <chr>   <chr>  <chr> 
##  1 1         DE1     08      BW    1       <NA>    <NA>    Baden-… 25586… 26264…
##  2 2         DE11    081     BW    <NA>    2       <NA>    Stuttg… 11097… 11160…
##  3 3         DE111   08111   BW    <NA>    <NA>    3       Stuttg… 32946… 31736…
##  4 4         DE112   08115   BW    <NA>    <NA>    3       Böblin… 12090… 11833…
##  5 5         DE113   08116   BW    <NA>    <NA>    3       Esslin… 12275… 12482…
##  6 6         DE114   08117   BW    <NA>    <NA>    3       Göppin… 5062.… 5180.…
##  7 7         DE115   08118   BW    <NA>    <NA>    3       Ludwig… 11714… 12163…
##  8 8         DE116   08119   BW    <NA>    <NA>    3       Rems-M… 8500.… 8723.…
##  9 9         DE117   08121   BW    <NA>    <NA>    3       Heilbr… 4219.… 4387.…
## 10 10        DE118   08125   BW    <NA>    <NA>    3       Heilbr… 6073.… 6126.…
## # … with 435 more rows, 26 more variables: `1995` <chr>, `1996` <chr>,
## #   `1997` <chr>, `1998` <chr>, `1999` <chr>, `2000` <dbl>, `2001` <dbl>,
## #   `2002` <dbl>, `2003` <dbl>, `2004` <dbl>, `2005` <dbl>, `2006` <dbl>,
## #   `2007` <dbl>, `2008` <dbl>, `2009` <dbl>, `2010` <dbl>, `2011` <dbl>,
## #   `2012` <dbl>, `2013` <dbl>, `2014` <dbl>, `2015` <dbl>, `2016` <dbl>,
## #   `2017` <dbl>, `2018` <dbl>, `2019` <dbl>, `2020` <dbl>, and abbreviated
## #   variable names ¹`Lfd. Nr.`, ²`EU-Code`, ³`Regional-schlüssel`, ⁴`NUTS 1`, …
```
]

---
count: false

```r
# Zeile löschen in der die `Lfd. Nr.` nicht nummerisch ist
# Zusätzliche Spalten löschen
bip %>%
  filter(is.na(as.numeric(`Lfd. Nr.`))==FALSE) %>%
* select(-c(`Lfd. Nr.`, `EU-Code`, `NUTS 1`, `NUTS 2`, `NUTS 3`, Land, Gebietseinheit))
```
]
 
.panel2-bip_einlesen1-auto[

```
## # A tibble: 445 × 29
##    Regio…¹ `1992` `1994` `1995` `1996` `1997` `1998` `1999` `2000` `2001` `2002`
##    <chr>   <chr>  <chr>  <chr>  <chr>  <chr>  <chr>  <chr>   <dbl>  <dbl>  <dbl>
##  1 08      25586… 26264… 27174… 27677… 28219… 29109… 30072… 3.09e5 3.23e5 3.26e5
##  2 081     11097… 11160… 11528… 11678… 12086… 12384… 12779… 1.30e5 1.38e5 1.38e5
##  3 08111   32946… 31736… 32281… 32802… 34339… 33553… 35048… 3.53e4 3.84e4 3.97e4
##  4 08115   12090… 11833… 11937… 12097… 13919… 13679… 14424… 1.39e4 1.53e4 1.47e4
##  5 08116   12275… 12482… 12748… 13169… 13284… 13952… 14192… 1.44e4 1.55e4 1.48e4
##  6 08117   5062.… 5180.… 5447.… 5643.… 5667.… 5838.… 5920.… 6.00e3 6.05e3 6.10e3
##  7 08118   11714… 12163… 12756… 12895… 13143… 13516… 13866… 1.47e4 1.56e4 1.57e4
##  8 08119   8500.… 8723.… 9320.… 8780.… 8928.… 9175.… 9707.… 1.04e4 1.04e4 1.05e4
##  9 08121   4219.… 4387.… 4522.… 4510.… 4581.… 5645.… 5282.… 5.27e3 5.45e3 5.28e3
## 10 08125   6073.… 6126.… 6577.… 6811.… 7019.… 7645.… 7928.… 8.45e3 8.82e3 8.75e3
## # … with 435 more rows, 18 more variables: `2003` <dbl>, `2004` <dbl>,
## #   `2005` <dbl>, `2006` <dbl>, `2007` <dbl>, `2008` <dbl>, `2009` <dbl>,
## #   `2010` <dbl>, `2011` <dbl>, `2012` <dbl>, `2013` <dbl>, `2014` <dbl>,
## #   `2015` <dbl>, `2016` <dbl>, `2017` <dbl>, `2018` <dbl>, `2019` <dbl>,
## #   `2020` <dbl>, and abbreviated variable name ¹`Regional-schlüssel`
```
]

---
count: false

```r
# Zeile löschen in der die `Lfd. Nr.` nicht nummerisch ist
# Zusätzliche Spalten löschen
bip %>%
  filter(is.na(as.numeric(`Lfd. Nr.`))==FALSE) %>%
  select(-c(`Lfd. Nr.`, `EU-Code`, `NUTS 1`, `NUTS 2`, `NUTS 3`, Land, Gebietseinheit)) %>%
* rename(Regionalschluessel = `Regional-schlüssel`)
```
]
 
.panel2-bip_einlesen1-auto[

---
count: false

```r
# Zeile löschen in der die `Lfd. Nr.` nicht nummerisch ist
# Zusätzliche Spalten löschen
bip %>%
  filter(is.na(as.numeric(`Lfd. Nr.`))==FALSE) %>%
  select(-c(`Lfd. Nr.`, `EU-Code`, `NUTS 1`, `NUTS 2`, `NUTS 3`, Land, Gebietseinheit)) %>%
  rename(Regionalschluessel = `Regional-schlüssel`) ->
*bip_wide
```
]
 
.panel2-bip_einlesen1-auto[

]

---

## Informationen bzgl. des Bruttoinlandsprodukts

Entsprechend können wir bei den Erwerbstätigen und den Einwohnern vorgehen:

```r
# Zeile löschen in der die `Lfd. Nr.` nicht nummerisch ist
# Zusätzliche Spalten löschen
erwerb_wide <- erwerb %>% 
  filter(is.na(as.numeric(`Lfd. Nr.`))==FALSE) %>%
  select(-c(`Lfd. Nr.`, `EU-Code`, `NUTS 1`, `NUTS 2`, `NUTS 3`, Land, Gebietseinheit)) %>%
  rename(Regionalschluessel = `Regional-schlüssel`)

einwohner_wide <- einwohner %>%
  filter(is.na(as.numeric(`Lfd. Nr.`))==FALSE) %>%
  select(-c(`Lfd. Nr.`, `EU-Code`, `NUTS 1`, `NUTS 2`, `NUTS 3`, Land, Gebietseinheit)) %>%
  rename(Regionalschluessel = `Regional-schlüssel`)
```

---

## Informationen bzgl. des Bruttoinlandsprodukts

Datensatz,  
  - ist ein Panel: Mehrere Jahre für mehrere Landkreise in Deutschland vorhanden
  - ist im `wide` Format -> d.h. die Daten sind nicht `tidy`

```r
head(bip_wide, 3)
```

```
## # A tibble: 3 × 29
##   Region…¹ `1992` `1994` `1995` `1996` `1997` `1998` `1999` `2000` `2001` `2002`
##   <chr>    <chr>  <chr>  <chr>  <chr>  <chr>  <chr>  <chr>   <dbl>  <dbl>  <dbl>
## 1 08       25586… 26264… 27174… 27677… 28219… 29109… 30072… 3.09e5 3.23e5 3.26e5
## 2 081      11097… 11160… 11528… 11678… 12086… 12384… 12779… 1.30e5 1.38e5 1.38e5
## 3 08111    32946… 31736… 32281… 32802… 34339… 33553… 35048… 3.53e4 3.84e4 3.97e4
## # … with 18 more variables: `2003` <dbl>, `2004` <dbl>, `2005` <dbl>,
## #   `2006` <dbl>, `2007` <dbl>, `2008` <dbl>, `2009` <dbl>, `2010` <dbl>,
## #   `2011` <dbl>, `2012` <dbl>, `2013` <dbl>, `2014` <dbl>, `2015` <dbl>,
## #   `2016` <dbl>, `2017` <dbl>, `2018` <dbl>, `2019` <dbl>, `2020` <dbl>, and
## #   abbreviated variable name ¹Regionalschluessel
```

---

## Daten in das `long`-Format überführen

Datensatz ins `long`-Format überführen mit `pivot_longer`:

```r
bip_long <- pivot_longer(bip_wide, cols = c("1992":"2019") , names_to = "Jahr", values_to = "BIP")
```

```
Fehler: Can't combine `1992` <character> and `2000` <double>.
```

---

## Daten in das `long`-Format überführen

BIP sollte normalerweise nummerisch sein:
  - Klasse `double` sollte korrekt sein
  - umformatieren der Spalten `1992` - `1999`
  - mit `across()` kann der `mutate()`-Befehl über mehrere Spalten angewendet werden

---

```r
*#BIP von 1992 - 1999 umformen (als numerische Variable)   von 1992 - 1999 umformen (als numerische Variable)
```
]
 
.panel2-double-auto[

]

---
count: false

```r
#BIP von 1992 - 1999 umformen (als numerische Variable)   von 1992 - 1999 umformen (als numerische Variable)
*bip_wide
```
]
 
.panel2-double-auto[

---
count: false

```r
#BIP von 1992 - 1999 umformen (als numerische Variable)   von 1992 - 1999 umformen (als numerische Variable)
bip_wide %>%
* select(`1992`:`1999`)
```
]
 
.panel2-double-auto[

```
## # A tibble: 445 × 7
##    `1992`             `1994`             `1995`      `1996` `1997` `1998` `1999`
##    <chr>              <chr>              <chr>       <chr>  <chr>  <chr>  <chr> 
##  1 255866.41899999999 262645.41600000003 271746.699… 27677… 28219… 29109… 30072…
##  2 110977.071         111602.66499999999 115280.807  11678… 12086… 12384… 12779…
##  3 32946.883999999998 31736.567999999999 32281.0040… 32802… 34339… 33553… 35048…
##  4 12090.93           11833.816000000001 11937.788   12097… 13919… 13679… 14424…
##  5 12275.605          12482.948          12748.703   13169… 13284… 13952… 14192…
##  6 5062.0370000000003 5180.0739999999996 5447.49399… 5643.… 5667.… 5838.… 5920.…
##  7 11714.16           12163.822          12756.3989… 12895… 13143… 13516… 13866…
##  8 8500.4050000000007 8723.0990000000002 9320.15600… 8780.… 8928.… 9175.… 9707.…
##  9 4219.259           4387.4809999999998 4522.82399… 4510.… 4581.… 5645.… 5282.…
## 10 6073.5249999999996 6126.3310000000001 6577.05599… 6811.… 7019.… 7645.… 7928.…
## # … with 435 more rows
```
]

---
count: false

```r
#BIP von 1992 - 1999 umformen (als numerische Variable)   von 1992 - 1999 umformen (als numerische Variable)
bip_wide %>%
  select(`1992`:`1999`) %>%
* mutate(across(is.character, as.double))
```
]
 
.panel2-double-auto[

```
## # A tibble: 445 × 7
##     `1992`  `1994`  `1995`  `1996`  `1997`  `1998`  `1999`
##      <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>
##  1 255866. 262645. 271747. 276777. 282190. 291100. 300727.
##  2 110977. 111603. 115281. 116787. 120867. 123842. 127799.
##  3  32947.  31737.  32281.  32803.  34340.  33553.  35048.
##  4  12091.  11834.  11938.  12097.  13919.  13679.  14424.
##  5  12276.  12483.  12749.  13169.  13285.  13952.  14192.
##  6   5062.   5180.   5447.   5643.   5668.   5839.   5920.
##  7  11714.  12164.  12756.  12895.  13144.  13516.  13867.
##  8   8500.   8723.   9320.   8781.   8928.   9176.   9708.
##  9   4219.   4387.   4523.   4511.   4581.   5646.   5282.
## 10   6074.   6126.   6577.   6812.   7020.   7646.   7929.
## # … with 435 more rows
```
]

---
count: false

```r
#BIP von 1992 - 1999 umformen (als numerische Variable)   von 1992 - 1999 umformen (als numerische Variable)
bip_wide %>%
  select(`1992`:`1999`) %>%
  mutate(across(is.character, as.double)) ->
*bip_double
```
]
 
.panel2-double-auto[

]

---

Entsprechend dann bei den Einwohnern und Erwerbstätigen:

```r
# Erwerbstätige von 1992 - 1999 umformen (als numerische Variable)
erwerb_double <- erwerb_wide %>%
  select(`1992`:`1999`) %>%
  mutate(across(is.character, as.double))
```

```
## Warning in mask$eval_all_mutate(quo): NAs durch Umwandlung erzeugt

## Warning in mask$eval_all_mutate(quo): NAs durch Umwandlung erzeugt

## Warning in mask$eval_all_mutate(quo): NAs durch Umwandlung erzeugt
```

```r
# Einwohner von 1992 - 1999 umformen (als numerische Variable)
einwohner_double <- einwohner_wide %>%
  select(`1992`:`1999`) %>%
  mutate(across(is.character, as.double))
```

```
## Warning in mask$eval_all_mutate(quo): NAs durch Umwandlung erzeugt

## Warning in mask$eval_all_mutate(quo): NAs durch Umwandlung erzeugt

## Warning in mask$eval_all_mutate(quo): NAs durch Umwandlung erzeugt
```

---

## Daten in das `long`-Format überführen

Wir überprüfen, welche Spalten die Warnung hervorgerufen haben und wo `NA`s erzeugt wurden

```r
bip_wide_test <- bip_wide %>%
  bind_cols(bip_double)

head(filter(bip_wide_test, is.na(`1994...31`)))
```

```
## # A tibble: 6 × 36
##   Region…¹ 1992.…² 1994.…³ 1995.…⁴ 1996.…⁵ 1997.…⁶ 1998.…⁷ 1999.…⁸ `2000` `2001`
##   <chr>    <chr>   <chr>   <chr>   <chr>   <chr>   <chr>   <chr>    <dbl>  <dbl>
## 1 13003    .       .       .       .       .       .       .        4767.  4550.
## 2 13004    .       .       .       .       .       .       .        2611.  2695.
## 3 13071    .       .       .       .       .       .       .        5269.  5373.
## 4 13072    .       .       .       .       .       .       .        3570.  3617.
## 5 13073    .       .       .       .       .       .       .        3608.  3631.
## 6 13074    .       .       .       .       .       .       .        2393.  2453.
## # … with 26 more variables: `2002` <dbl>, `2003` <dbl>, `2004` <dbl>,
## #   `2005` <dbl>, `2006` <dbl>, `2007` <dbl>, `2008` <dbl>, `2009` <dbl>,
## #   `2010` <dbl>, `2011` <dbl>, `2012` <dbl>, `2013` <dbl>, `2014` <dbl>,
## #   `2015` <dbl>, `2016` <dbl>, `2017` <dbl>, `2018` <dbl>, `2019` <dbl>,
## #   `2020` <dbl>, `1992...30` <dbl>, `1994...31` <dbl>, `1995...32` <dbl>,
## #   `1996...33` <dbl>, `1997...34` <dbl>, `1998...35` <dbl>, `1999...36` <dbl>,
## #   and abbreviated variable names ¹Regionalschluessel, ²`1992...2`, …
```

---

Eine Umwandlung zu `NA` geschieht bei den Werten bei denen `-` eingetragen wurde. D.h. für uns ist es ok hier ein `NA` einzutragen.
Somit können wir die Umwandlung in die Klasse `double` durchführen:

```r
bip_wide <- bip_wide %>%
  select(-(`1992`:`1999`)) %>%
  bind_cols(bip_double)

erwerb_wide <- erwerb_wide %>%
  select(-(`1992`:`1999`)) %>%
  bind_cols(erwerb_double)

einwohner_wide <- einwohner_wide %>%
  select(-(`1992`:`1999`)) %>%
  bind_cols(einwohner_double) 
```

---

## Daten in das `long`-Format überführen

Nun können wir den Datensatz ins `long`-Format transferieren und nach dem Jahr sortieren.

- Einwohner und Erwerbstätigen in 1000 Personen angegeben, daher Erwerbstätigen und Einwohner mit 1000 multiplizieren. 
- BIP ist in 1 Mio. Euro angegeben, daher die Multiplikation mit 1 Mio.

---

```r
# BIP ins long-Format
*pivot_longer(bip_wide, cols = c("2000":"1999") , names_to = "Jahr", values_to = "bip")
```
]
 
.panel2-long-auto[

```
## # A tibble: 12,460 × 3
##    Regionalschluessel Jahr      bip
##    <chr>              <chr>   <dbl>
##  1 08                 2000  308823.
##  2 08                 2001  323078.
##  3 08                 2002  325510.
##  4 08                 2003  329164.
##  5 08                 2004  333276.
##  6 08                 2005  335789.
##  7 08                 2006  357283.
##  8 08                 2007  377021.
##  9 08                 2008  381903.
## 10 08                 2009  353463.
## # … with 12,450 more rows
```
]

---
count: false

```r
# BIP ins long-Format
pivot_longer(bip_wide, cols = c("2000":"1999") , names_to = "Jahr", values_to = "bip") %>%
* mutate( Jahr = as.numeric(Jahr),
*         bip = bip * 1000000)
```
]
 
.panel2-long-auto[

```
## # A tibble: 12,460 × 3
##    Regionalschluessel  Jahr          bip
##    <chr>              <dbl>        <dbl>
##  1 08                  2000 308822815000
##  2 08                  2001 323077717000
##  3 08                  2002 325510403000
##  4 08                  2003 329164078000
##  5 08                  2004 333275845000
##  6 08                  2005 335788716000
##  7 08                  2006 357283378000
##  8 08                  2007 377021382000
##  9 08                  2008 381902739000
## 10 08                  2009 353462984000
## # … with 12,450 more rows
```
]

---
count: false

```r
# BIP ins long-Format
pivot_longer(bip_wide, cols = c("2000":"1999") , names_to = "Jahr", values_to = "bip") %>%
  mutate( Jahr = as.numeric(Jahr),
          bip = bip * 1000000) %>%
* arrange( Jahr )
```
]
 
.panel2-long-auto[

```
## # A tibble: 12,460 × 3
##    Regionalschluessel  Jahr          bip
##    <chr>              <dbl>        <dbl>
##  1 08                  1992 255866419000
##  2 081                 1992 110977071000
##  3 08111               1992  32946884000
##  4 08115               1992  12090930000
##  5 08116               1992  12275605000
##  6 08117               1992   5062037000
##  7 08118               1992  11714160000
##  8 08119               1992   8500405000
##  9 08121               1992   4219259000
## 10 08125               1992   6073525000
## # … with 12,450 more rows
```
]

---
count: false

```r
# BIP ins long-Format
pivot_longer(bip_wide, cols = c("2000":"1999") , names_to = "Jahr", values_to = "bip") %>%
  mutate( Jahr = as.numeric(Jahr),
          bip = bip * 1000000) %>%
  arrange( Jahr ) ->
*bip_long
```
]
 
.panel2-long-auto[

]

---

Für die Erwerbstätigen und Einwohner entsprechend:

```r
# Anzahl der Erwerbstätigen ins long-Format
erwerb_long <- pivot_longer(erwerb_wide, cols = c("2000":"1999") , names_to = "Jahr", values_to = "erw") %>%
  mutate( Jahr = as.numeric(Jahr),
          erw = erw * 1000) %>%
  arrange( Jahr )

# Anzahl der Einwohner ins long-Format
einwohner_long <- pivot_longer(einwohner_wide, cols = c("2000":"1999") , names_to = "Jahr", values_to = "einwohner") %>%
  mutate( Jahr = as.numeric(Jahr),
          einwohner = einwohner * 1000) %>%
  arrange( Jahr )
```

---

## Konsistenzchecks

Hier sollten Sie selbst aktiv werden und die Daten auf Konsistenz prüfen:

.instructions[Als Konsistenzcheck könnten Sie hier die Anzahl der Einwohner aus den verschiedenen Datensätzen vergleichen.]

---

# Kartenmaterial hinzufügen

Wir benötigen hier eine Karte von Deutschland mit den einzelnen Verwaltungsgrenzen als SHAPE-File und können diese mittels des `sf`-Pakets einlesen.

Das [OpenData Portal des Bundesamts für Kartographie und Geodäsie](https://gdz.bkg.bund.de/index.php/default/open-data/verwaltungsgebiete-1-250-000-ebenen-stand-01-01-vg250-ebenen-01-01.html) stellt die nötigen Informationen kostenlos zur Verfügung.

[Die Dokumentation der Daten](https://sg.geodatenzentrum.de/web_public/gdz/dokumentation/deu/vg250.pdf) sollten wir uns immer zuerst anschauen, bevor wir die Datenquelle herunterladen.

.instructions[Bitte versuchen Sie selbst die Daten herunterzuladen und anhand des Regionalschlüssels (ARS) mit dem BIP, den Arbeitslosen und den Schulden zusammenzuführen.]

---

# Datensätze zusammenführen

Zuerst müssen wir folgende Schritte unternehmen:
- Informationen zur Verschuldung auf Landkreisebene aggregieren 
- Daten zum BIP auf das Jahr 2017 einschränken. 
- Datensätze anhand des Regionalschlüssels miteinander verbinden.

Weiterhin können wir die geografischen Daten separat abspeichern und bei Bedarf anhand des Regionalschlüssels zu unserem Datensatz hinzumergen.

---

```r
# Schulden auf Landkreisebene
*schulden_bereinigt
```
]
 
.panel2-kombi1-auto[

---
count: false

```r
# Schulden auf Landkreisebene
schulden_bereinigt %>%
* group_by(landkreis)
```
]
 
.panel2-kombi1-auto[

```
## # A tibble: 11,050 × 8
## # Groups:   landkreis [397]
##    Regionalschluessel Gemeinde   Verwa…¹ Einwo…² Schul…³ Schul…⁴ Bunde…⁵ landk…⁶
##    <chr>              <chr>      <chr>     <dbl>   <dbl>   <dbl> <chr>   <chr>  
##  1 010010000000       Flensburg… kreisf…   87770  5.08e8   5791. SH      01001  
##  2 010020000000       Kiel, Lan… kreisf…  247135  9.49e8   3839. SH      01002  
##  3 010030000000       Lübeck, H… kreisf…  216739  1.21e9   5567. SH      01003  
##  4 010040000000       Neumünste… kreisf…   78759  4.26e8   5409. SH      01004  
##  5 010510011011       Brunsbütt… amtsfr…   12781  3.49e7   2733. SH      01051  
##  6 010510044044       Heide, St… amtsfr…   21508  3.71e7   1723. SH      01051  
##  7 010515163003       Averlak    amtsan…     576  1.20e6   2079. SH      01051  
##  8 010515163010       Brickeln   amtsan…     219  4.96e5   2266. SH      01051  
##  9 010515163012       Buchholz   amtsan…    1008  1.23e6   1220. SH      01051  
## 10 010515163016       Burg (Dit… amtsan…    4114  7.92e6   1926. SH      01051  
## # … with 11,040 more rows, and abbreviated variable names ¹Verwaltungsform,
## #   ²Einwohner, ³Schulden_gesamt, ⁴Schulden_pro_kopf, ⁵Bundesland, ⁶landkreis
```
]

---
count: false

```r
# Schulden auf Landkreisebene
schulden_bereinigt %>%
  group_by(landkreis) %>%
* summarise( Schulden_pro_kopf_lk = sum(Schulden_gesamt)/sum(Einwohner),
*            Einwohner = sum(Einwohner),
*            Schulden_gesamt = sum(Schulden_gesamt))
```
]
 
.panel2-kombi1-auto[

```
## # A tibble: 397 × 4
##    landkreis Schulden_pro_kopf_lk Einwohner Schulden_gesamt
##    <chr>                    <dbl>     <dbl>           <dbl>
##  1 01001                    5791.     87770       508281539
##  2 01002                    3839.    247135       948848421
##  3 01003                    5567.    216739      1206620094
##  4 01004                    5409.     78759       426019276
##  5 01051                    1670.    133684       223191181
##  6 01053                    1293.    195677       252944185
##  7 01054                    2624.    165642       434624906
##  8 01055                    1890.    200931       379698731
##  9 01056                    2225.    311713       693581474
## 10 01057                    1532.    128763       197203962
## # … with 387 more rows
```
]

---
count: false

```r
# Schulden auf Landkreisebene
schulden_bereinigt %>%
  group_by(landkreis) %>%
  summarise( Schulden_pro_kopf_lk = sum(Schulden_gesamt)/sum(Einwohner),
             Einwohner = sum(Einwohner),
             Schulden_gesamt = sum(Schulden_gesamt)) %>%
* rename(Regionalschluessel = landkreis)
```
]
 
.panel2-kombi1-auto[

```
## # A tibble: 397 × 4
##    Regionalschluessel Schulden_pro_kopf_lk Einwohner Schulden_gesamt
##    <chr>                             <dbl>     <dbl>           <dbl>
##  1 01001                             5791.     87770       508281539
##  2 01002                             3839.    247135       948848421
##  3 01003                             5567.    216739      1206620094
##  4 01004                             5409.     78759       426019276
##  5 01051                             1670.    133684       223191181
##  6 01053                             1293.    195677       252944185
##  7 01054                             2624.    165642       434624906
##  8 01055                             1890.    200931       379698731
##  9 01056                             2225.    311713       693581474
## 10 01057                             1532.    128763       197203962
## # … with 387 more rows
```
]

---
count: false

```r
# Schulden auf Landkreisebene
schulden_bereinigt %>%
  group_by(landkreis) %>%
  summarise( Schulden_pro_kopf_lk = sum(Schulden_gesamt)/sum(Einwohner),
             Einwohner = sum(Einwohner),
             Schulden_gesamt = sum(Schulden_gesamt)) %>%
  rename(Regionalschluessel = landkreis) ->
*schulden_kombi
```
]
 
.panel2-kombi1-auto[

]

---

```r
# Anzahl an Erwerbstätigen für das Jahr 2017
*erwerb_long
```
]
 
.panel2-kombi2-auto[

```
## # A tibble: 12,460 × 3
##    Regionalschluessel  Jahr     erw
##    <chr>              <dbl>   <dbl>
##  1 08                  1992 5230587
##  2 081                 1992 2046858
##  3 08111               1992  486895
##  4 08115               1992  188312
##  5 08116               1992  237498
##  6 08117               1992  118140
##  7 08118               1992  223059
##  8 08119               1992  176939
##  9 08121               1992   94510
## 10 08125               1992  115906
## # … with 12,450 more rows
```
]

---
count: false

```r
# Anzahl an Erwerbstätigen für das Jahr 2017
erwerb_long %>%
* filter(nchar(Regionalschluessel) == 5 & Jahr == 2017)
```
]
 
.panel2-kombi2-auto[

```
## # A tibble: 399 × 3
##    Regionalschluessel  Jahr    erw
##    <chr>              <dbl>  <dbl>
##  1 08111               2017 529355
##  2 08115               2017 230023
##  3 08116               2017 286644
##  4 08117               2017 121597
##  5 08118               2017 263814
##  6 08119               2017 204535
##  7 08121               2017  97270
##  8 08125               2017 176734
##  9 08126               2017  70782
## 10 08127               2017 110285
## # … with 389 more rows
```
]

---
count: false

```r
# Anzahl an Erwerbstätigen für das Jahr 2017
erwerb_long %>%
  filter(nchar(Regionalschluessel) == 5 & Jahr == 2017) %>%
* select(-Jahr)
```
]
 
.panel2-kombi2-auto[

```
## # A tibble: 399 × 2
##    Regionalschluessel    erw
##    <chr>               <dbl>
##  1 08111              529355
##  2 08115              230023
##  3 08116              286644
##  4 08117              121597
##  5 08118              263814
##  6 08119              204535
##  7 08121               97270
##  8 08125              176734
##  9 08126               70782
## 10 08127              110285
## # … with 389 more rows
```
]

---
count: false

```r
# Anzahl an Erwerbstätigen für das Jahr 2017
erwerb_long %>%
  filter(nchar(Regionalschluessel) == 5 & Jahr == 2017) %>%
  select(-Jahr) ->
*erwerb_kombi
```
]
 
.panel2-kombi2-auto[

]

---

```r
# Anzahl an Einwohner für das Jahr 2017
*einwohner_long
```
]
 
.panel2-kombi3-auto[

```
## # A tibble: 12,460 × 3
##    Regionalschluessel  Jahr einwohner
##    <chr>              <dbl>     <dbl>
##  1 08                  1992  10050431
##  2 081                 1992   3771006
##  3 08111               1992    593628
##  4 08115               1992    343190
##  5 08116               1992    487370
##  6 08117               1992    248688
##  7 08118               1992    475248
##  8 08119               1992    389670
##  9 08121               1992    118566
## 10 08125               1992    283163
## # … with 12,450 more rows
```
]

---
count: false

```r
# Anzahl an Einwohner für das Jahr 2017
einwohner_long %>%
* filter(nchar(Regionalschluessel) == 5 & Jahr == 2017)
```
]
 
.panel2-kombi3-auto[

```
## # A tibble: 399 × 3
##    Regionalschluessel  Jahr einwohner
##    <chr>              <dbl>     <dbl>
##  1 08111               2017    630388
##  2 08115               2017    387718
##  3 08116               2017    530620
##  4 08117               2017    255482
##  5 08118               2017    540266
##  6 08119               2017    423788
##  7 08121               2017    124442
##  8 08125               2017    339172
##  9 08126               2017    111041
## 10 08127               2017    193581
## # … with 389 more rows
```
]

---
count: false

```r
# Anzahl an Einwohner für das Jahr 2017
einwohner_long %>%
  filter(nchar(Regionalschluessel) == 5 & Jahr == 2017) %>%
* select(-Jahr)
```
]
 
.panel2-kombi3-auto[

```
## # A tibble: 399 × 2
##    Regionalschluessel einwohner
##    <chr>                  <dbl>
##  1 08111                 630388
##  2 08115                 387718
##  3 08116                 530620
##  4 08117                 255482
##  5 08118                 540266
##  6 08119                 423788
##  7 08121                 124442
##  8 08125                 339172
##  9 08126                 111041
## 10 08127                 193581
## # … with 389 more rows
```
]

---
count: false

```r
# Anzahl an Einwohner für das Jahr 2017
einwohner_long %>%
  filter(nchar(Regionalschluessel) == 5 & Jahr == 2017) %>%
  select(-Jahr) ->
*einwohner_kombi
```
]
 
.panel2-kombi3-auto[

]

---

```r
# Anzahl der Einwohner mit dem BIP verbinden um das BIP pro Kopf berechnen zu können
*left_join(bip_long, einwohner_long, by=c("Regionalschluessel", "Jahr"))
```
]
 
.panel2-kombi4-auto[

```
## # A tibble: 12,460 × 4
##    Regionalschluessel  Jahr          bip einwohner
##    <chr>              <dbl>        <dbl>     <dbl>
##  1 08                  1992 255866419000  10050431
##  2 081                 1992 110977071000   3771006
##  3 08111               1992  32946884000    593628
##  4 08115               1992  12090930000    343190
##  5 08116               1992  12275605000    487370
##  6 08117               1992   5062037000    248688
##  7 08118               1992  11714160000    475248
##  8 08119               1992   8500405000    389670
##  9 08121               1992   4219259000    118566
## 10 08125               1992   6073525000    283163
## # … with 12,450 more rows
```
]

---
count: false

```r
# Anzahl der Einwohner mit dem BIP verbinden um das BIP pro Kopf berechnen zu können
left_join(bip_long, einwohner_long, by=c("Regionalschluessel", "Jahr")) %>%
* mutate(bip_pro_kopf = bip / einwohner)
```
]
 
.panel2-kombi4-auto[

```
## # A tibble: 12,460 × 5
##    Regionalschluessel  Jahr          bip einwohner bip_pro_kopf
##    <chr>              <dbl>        <dbl>     <dbl>        <dbl>
##  1 08                  1992 255866419000  10050431       25458.
##  2 081                 1992 110977071000   3771006       29429.
##  3 08111               1992  32946884000    593628       55501.
##  4 08115               1992  12090930000    343190       35231.
##  5 08116               1992  12275605000    487370       25187.
##  6 08117               1992   5062037000    248688       20355.
##  7 08118               1992  11714160000    475248       24649.
##  8 08119               1992   8500405000    389670       21814.
##  9 08121               1992   4219259000    118566       35586.
## 10 08125               1992   6073525000    283163       21449.
## # … with 12,450 more rows
```
]

---
count: false

```r
# Anzahl der Einwohner mit dem BIP verbinden um das BIP pro Kopf berechnen zu können
left_join(bip_long, einwohner_long, by=c("Regionalschluessel", "Jahr")) %>%
  mutate(bip_pro_kopf = bip / einwohner) %>%
# BIP auf Landkreisebene im Jahr 2017
* filter(nchar(Regionalschluessel) == 5 & Jahr == 2017)
```
]
 
.panel2-kombi4-auto[

```
## # A tibble: 399 × 5
##    Regionalschluessel  Jahr         bip einwohner bip_pro_kopf
##    <chr>              <dbl>       <dbl>     <dbl>        <dbl>
##  1 08111               2017 54898140000    630388       87086.
##  2 08115               2017 25653016000    387718       66164.
##  3 08116               2017 22563031000    530620       42522.
##  4 08117               2017  8544665000    255482       33445.
##  5 08118               2017 24948748000    540266       46179.
##  6 08119               2017 14644873000    423788       34557.
##  7 08121               2017  6666905000    124442       53574.
##  8 08125               2017 18355253000    339172       54118.
##  9 08126               2017  5379526000    111041       48446.
## 10 08127               2017  7879086000    193581       40702.
## # … with 389 more rows
```
]

---
count: false

```r
# Anzahl der Einwohner mit dem BIP verbinden um das BIP pro Kopf berechnen zu können
left_join(bip_long, einwohner_long, by=c("Regionalschluessel", "Jahr")) %>%
  mutate(bip_pro_kopf = bip / einwohner) %>%
# BIP auf Landkreisebene im Jahr 2017
  filter(nchar(Regionalschluessel) == 5 & Jahr == 2017) %>%
* select(-c(Jahr, einwohner))
```
]
 
.panel2-kombi4-auto[

```
## # A tibble: 399 × 3
##    Regionalschluessel         bip bip_pro_kopf
##    <chr>                    <dbl>        <dbl>
##  1 08111              54898140000       87086.
##  2 08115              25653016000       66164.
##  3 08116              22563031000       42522.
##  4 08117               8544665000       33445.
##  5 08118              24948748000       46179.
##  6 08119              14644873000       34557.
##  7 08121               6666905000       53574.
##  8 08125              18355253000       54118.
##  9 08126               5379526000       48446.
## 10 08127               7879086000       40702.
## # … with 389 more rows
```
]

---
count: false

```r
# Anzahl der Einwohner mit dem BIP verbinden um das BIP pro Kopf berechnen zu können
left_join(bip_long, einwohner_long, by=c("Regionalschluessel", "Jahr")) %>%
  mutate(bip_pro_kopf = bip / einwohner) %>%
# BIP auf Landkreisebene im Jahr 2017
  filter(nchar(Regionalschluessel) == 5 & Jahr == 2017) %>%
  select(-c(Jahr, einwohner)) ->
*bip_kombi
```
]
 
.panel2-kombi4-auto[

]

---