Die Datenaufbereitung mit dplyr

class: center, middle, inverse, title-slide

.title[
# Die Datenaufbereitung mit dplyr
]

---

layout: false
class: center, middle
name: wrangling

# Data Wrangling

---

## Das `dplyr` Paket

Mit `dyplr` haben wir innerhalb des `tidyverse` Funktionalitäten an der Hand, mit denen wir Datensätze in R bearbeiten können:

- Kombination mehrere Operationen durch die _Pipe_: `%>%`
  - Datensätze verändern (z.B. neue Spalte) mit `mutate`
  - Datensätze nach bestimmten Variablen sortieren mit `arrange`
  - Einzelne Reihen herausfiltern mit `filter`
  - Einzelne Spalten herauspicken mit `select`

Wir konzentrieren uns wieder auf die heruntergeladenen `gapminder` Daten, welche wir bereits in R importiert und in das richtige Format gebracht haben (`tidy`).

Hier nutzen wir den Datensatz `tidy_data_extended` und laden diesen als `gapminder`:

```r
gapminder <- readRDS("data/gapminder_life.rds")
```

---

## Base R versus `tidyverse`

- Durchschnittliche Lebenserwartung weltweit im Jahr 1952 in unserem Datensatz:

.pull-left[
**Base R**

.small[

```r
avg_1952 <- gapminder[gapminder$jahr == 1952, ]
mean(avg_1952$life_expectancy)
```

```
[1] 51.0925
```
]
]

.pull-right[

**Tidyverse**

.small[

```r
library(dplyr)
gapminder %>% 
  filter( jahr == 1952 ) %>%
  summarize(avg_lifeExp_1952 = mean(life_expectancy)) %>% 
  pull()
```

```
[1] 51.0925
```
]
]

---

## Die Pipe `%>%`

Sie können eine Serie von Befehlen miteinander verknüpfen:

```r
gapminder %>% 
  filter( jahr == 1952 ) %>%
  summarize(avg_lifeExp_1952 = mean(life_expectancy))
```

---

## Die Pipe `%>%`

Sie können eine Serie von Befehlen miteinander verknüpfen:

```r
*gapminder %>% # Zuerst der Datensatz und dann ...
  filter( jahr == 1952 ) %>%
  summarize(avg_lifeExp_1952 = mean(life_expectancy))
```

---

## Die Pipe `%>%`

Sie können eine Serie von Befehlen miteinander verknüpfen:

```r
*gapminder %>% # Zuerst der Datensatz und dann ...
* filter( jahr == 1952 ) %>% # nur das Jahr 1952 und dann ...
  summarize(avg_lifeExp_1952 = mean(life_expectancy))
```

---

## Die Pipe `%>%`

Sie können eine Serie von Befehlen miteinander verknüpfen:

```r
*gapminder %>% # Zuerst der Datensatz und dann ...
* filter( jahr == 1952 ) %>% # nur das Jahr 1952 und dann ...
* summarize(avg_lifeExp_1952 = mean(life_expectancy)) # die durchschnittliche Lebenserwartung berechnen
```

```
# A tibble: 1 × 1
 avg_lifeExp_1952
 <dbl>
1 51.1
```

---

## Die sieben wichtigsten Befehle für das data wrangling

- `mutate()`
- `select()`
- `filter()`
- `summarize()`
- `group_by()`
- `arrange()`
- `lead()` und `lag()`

---

## `mutate()`

- Mittels `mutate()` können Sie:
 - eine neue Variable mit einem bestimmten Wert generieren ODER
 - eine neue Variable auf der Basis anderer Variablen generieren ODER
 - den Inhalt einer bestehenden Variablen verändern

```r
gapminder_new <- gapminder %>% 
* mutate(eins = 1)

head(gapminder_new, 4)
```

```
# A tibble: 4 × 5
 country jahr life_expectancy fertility eins
 <chr> <int> <dbl> <dbl> <dbl>
1 Brazil 1950 50.3 6.18 1
2 Brazil 1951 50.6 6.17 1
3 Brazil 1952 51.1 6.15 1
4 Brazil 1953 51.6 6.14 1
```

---

## `mutate()`

- Mittels `mutate()` können Sie:
 - eine neue Variable mit einem bestimmten Wert generieren ODER
 - eine neue Variable auf der Basis anderer Variablen generieren ODER
 - den Inhalt einer bestehenden Variablen verändern

```r
gapminder_new <- gapminder %>% 
* mutate( life_fertility = life_expectancy * fertility )

head(gapminder_new, 4)
```

```
# A tibble: 4 × 5
 country jahr life_expectancy fertility life_fertility
 <chr> <int> <dbl> <dbl> <dbl>
1 Brazil 1950 50.3 6.18 311.
2 Brazil 1951 50.6 6.17 312.
3 Brazil 1952 51.1 6.15 314.
4 Brazil 1953 51.6 6.14 317.
```

---

## `mutate()`

- Mittels `mutate()` können Sie:
 - eine neue Variable mit einem bestimmten Wert generieren ODER
 - eine neue Variable auf der Basis anderer Variablen generieren ODER
 - den Inhalt einer bestehenden Variablen verändern

```r
gapminder_new <- gapminder %>% 
* mutate( life_expectancy = life_expectancy + 5 )

head(gapminder_new, 4)
```

```
# A tibble: 4 × 4
 country jahr life_expectancy fertility
 <chr> <int> <dbl> <dbl>
1 Brazil 1950 55.3 6.18
2 Brazil 1951 55.6 6.17
3 Brazil 1952 56.1 6.15
4 Brazil 1953 56.6 6.14
```

---

## `select()`

Mittels `select()` können Sie:

- einzelne Variablen aus dem Datensatz selektieren ODER
- einzelne Variablen aus dem Datensatz entfernen

```r
gapminder_select <- gapminder %>% 
* select(country, jahr, fertility)

head(gapminder_select, 4)
```

```
# A tibble: 4 × 3
 country jahr fertility
 <chr> <int> <dbl>
1 Brazil 1950 6.18
2 Brazil 1951 6.17
3 Brazil 1952 6.15
4 Brazil 1953 6.14
```

---

## `select()`

Mittels `select()` können Sie:

- einzelne Variablen aus dem Datensatz selektieren ODER
- einzelne Variablen aus dem Datensatz entfernen

```r
gapminder_select2 <- gapminder %>% 
* select(`-`c(country, fertility))

head(gapminder_select2, 4)
```

```
# A tibble: 4 × 2
 jahr life_expectancy
 <int> <dbl>
1 1950 50.3
2 1951 50.6
3 1952 51.1
4 1953 51.6
```

---

## `filter()`

Wenn Sie nur die Jahre 2000 und größer betrachten möchten nutzen Sie `filter()`:

```r
gapminder_filter <- gapminder %>%
* filter(jahr >= 2000)

head(gapminder_filter,4)
```

```
# A tibble: 4 × 4
 country jahr life_expectancy fertility
 <chr> <int> <dbl> <dbl>
1 Brazil 2000 70.7 2.36
2 Brazil 2001 71.1 2.32
3 Brazil 2002 71.4 2.26
4 Brazil 2003 71.7 2.2 
```

- Mit relationalen Operatoren (bspw. `>=`) können Sie genau spezifizieren, welche Reihen sie herausfiltern möchten.

---

## Relationale Operatoren mit `filter()`

Mit `|` können Sie prüfen, ob _einer_ der Filter wahr ist:

```r
gapminder %>%
  filter(jahr >= 2000 `|` country == "Germany") %>%
  head(4)
```

---

## Relationale Operatoren mit `filter()`

Mit `,` können Sie prüfen, ob _alle_ Filter wahr sind:

```r
gapminder %>%
  filter(jahr >= 2000 `,` country == "Germany") %>%
  head(4)
```

```
# A tibble: 4 × 4
 country jahr life_expectancy fertility
 <chr> <int> <dbl> <dbl>
1 Germany 2000 78.1 1.35
2 Germany 2001 78.4 1.35
3 Germany 2002 78.6 1.35
4 Germany 2003 78.8 1.35
```

---

## `summarize()`

- `summarize` und `summarise` sind Synonyme und führen beide zum gleichen Ergebnis
- Berechnung von Zusammenfassungen, z.B. die durchschnittliche Lebenserwartung über alle Länder und Jahre hinweg:

```r
lifeExp.avg <- gapminder %>% 
* summarize(durchschnitt = mean(life_expectancy),
* abweichung = sd(life_expectancy))

lifeExp.avg
```

```
# A tibble: 1 × 2
 durchschnitt abweichung
 <dbl> <dbl>
1 64.6 10.7
```

---

## `summarize()` mit `group_by` kombinieren

Das gleiche Ergebnis für verschiedene Untergruppen erstellen mit `group_by()`:

```r
gapminder %>% 
* group_by( country ) %>%
  summarize(durchschnitt = mean(life_expectancy),
            abweichung = sd(life_expectancy))
```

Vergessen Sie nicht danach wieder `ungroup()` zu verwenden!

```r
grouped_gap <- gapminder %>% 
* group_by( country ) %>%
 summarize(durchschnitt = mean(life_expectancy),
 abweichung = sd(life_expectancy)) %>%
* ungroup()

head(grouped_gap, 3)
```

```
# A tibble: 3 × 3
 country durchschnitt abweichung
 <chr> <dbl> <dbl>
1 Brazil 64.0 7.29
2 Canada 75.5 4.06
3 China 61.6 11.3 
```

---

## `summarize()`

Daten werden durch `summarize()` als `data.frame` abgespeichert.

Zahl als `double` extrahieren:

```r
lifeExp.avg %>% 
* pull(durchschnitt)
```

```
[1] 64.58241
```

---

## `arrange()`

Ordnet den Datensatz nach einer Variablen
  - Effizienter als der `order` Befehl aus Base R
  - **Default:** Aufsteigende Sortierung
  - Möglichkeit: Absteigende Sortierung mit `arrange(desc(fertility))`

```r
gapminder %>% 
  filter( jahr == 1952 ) %>%
* arrange( desc(fertility) ) %>%
  head(4)
```

```
# A tibble: 4 × 4
 country jahr life_expectancy fertility
 <chr> <int> <dbl> <dbl>
1 South Africa 1952 44.7 6.31
2 Brazil 1952 51.1 6.15
3 China 1952 42.9 5.97
4 India 1952 35.8 5.9 
```

---

## `arrange()`

`arrange()` bietet die Möglichkeit einer verschachtelten Sortierung:

- Zuerst wird nach einer bestimmten Variable sortiert
- Anschließend sortieren wir innerhalb dieser Variable auf eine weitere Variable

.instructions[Sortieren Sie erst nach `life_expectancy` und anschließend nach `fertility`]

```r
gapminder %>% 
  filter( jahr == 1952 ) %>%
* arrange( desc(life_expectancy), desc(fertility) ) %>%
  head(4)
```

```
# A tibble: 4 × 4
 country jahr life_expectancy fertility
 <chr> <int> <dbl> <dbl>
1 Canada 1952 68.7 3.62
2 Germany 1952 67.4 2.11
3 Russia 1952 58.2 2.88
4 Brazil 1952 51.1 6.15
```

---

## `lead()` und `lag()`

- `lead()` liest den vorausgehende Werte einer Variablen aus
- `lag()` liest den darauffolgenden Werte einer Variablen aus
- Insbesondere bei der Arbeit mit Zeitreihendaten wichtig
  - Kann gut mit `group_by` kombiniert werden
--

```r
gapminder %>% 
  arrange( country, jahr ) %>%
* mutate(lag_fertility = lag(fertility),
*        lead_fertility = lead(fertility)) %>%
  select(country, jahr, fertility, lag_fertility, lead_fertility) %>% 
  head(4)
```

```
# A tibble: 4 × 5
 country jahr fertility lag_fertility lead_fertility
 <chr> <int> <dbl> <dbl> <dbl>
1 Brazil 1950 6.18 NA 6.17
2 Brazil 1951 6.17 6.18 6.15
3 Brazil 1952 6.15 6.17 6.14
4 Brazil 1953 6.14 6.15 6.14
```