Programmieren in R

class: center, middle, inverse, title-slide

.title[
# Programmieren in R
]

---

## Bedingte Anweisungen

In manchen Situationen wollen wir bestimmte Werte, oder `NAs` durch vordefinierte, andere Werte ersetzen.
Gegeben wir wollen dies hier tun und die Bevölkerung für Indien immer mit 0 ersetzen

```r
data("gapminder")
gapminder_indien <- gapminder %>%
  mutate( pop = ifelse(country == "India", 0, pop) )

filter(gapminder_indien, country == "India")
```

```
# A tibble: 12 × 6
   country continent  year lifeExp   pop gdpPercap
   <fct>   <fct>     <int>   <dbl> <dbl>     <dbl>
 1 India   Asia       1952    37.4     0      547.
 2 India   Asia       1957    40.2     0      590.
 3 India   Asia       1962    43.6     0      658.
 4 India   Asia       1967    47.2     0      701.
 5 India   Asia       1972    50.7     0      724.
 6 India   Asia       1977    54.2     0      813.
 7 India   Asia       1982    56.6     0      856.
 8 India   Asia       1987    58.6     0      977.
 9 India   Asia       1992    60.2     0     1164.
10 India   Asia       1997    61.8     0     1459.
11 India   Asia       2002    62.9     0     1747.
12 India   Asia       2007    64.7     0     2452.
```

---

## `case_when` Anweisung

Ẁenn wir mehrer Bedingungen auf einmal betrachten müssen, dann hilft uns `case_when` weiter.

Beispielsweise wollen wir für alle Länder mit einem weniger als 50 Jahren Lebenserwartung eine Variable `Lebenserwartung` generieren, welche den Wert `<50` annimmt, für weniger als 50 Jahre Lebenserwartung, `50-70` mit Lebenswerartung zwischen 50 und 70 Jahren und `>70` bei einer Lebenserwartung mehr als 70 Jahre. Wir betrachten hier alle Länder für das Jahr 2007.

```r
gapminder <- gapminder %>%
  filter( year == 2007 ) %>%
  mutate(Lebenserwartung = case_when(lifeExp <50 ~ "<50",
                                     lifeExp >=50 & lifeExp <=70 ~ "50-70",
                                     lifeExp >70 ~ ">70"))

table(gapminder$Lebenserwartung)
```

```

<50   >70 50-70 
   19    83    40 
```

---

## Funktionen in R

Für Aufgaben, welche wir in R öfter anwenden, wollen wir nicht jedes mal von neuem den gleichen Befehl eingeben.

- Hier lohnt es sich eine Funktion für den Befehl zu schreiben
- Durch die Funktion `function` weiß R das nun eine Funktion definiert wird
- Beispielsweise den Mittelwert berechnen durch `summe(x)/länge(x)`

```r
durchschnitt <- function(x){
  s <- sum(x)
  n <- length(x)
  s/n
}
```

Da es in R bereits die Funktion `mean` gibt können wir testen ob unsere Funktion zum gleichen Ergebnis kommt wie die in R vordefinierte Funktion:

```r
x <- 1:100
identical(mean(x), durchschnitt(x))
```

```
[1] TRUE
```

---

## Scoping

Variablen welche in R innerhalb einer Funktion definiert werden, werden auch nur in dieser Funktionsumgebung verwendet.

```r
s <- 5
durchschnitt(51:100)
```

```
[1] 75.5
```

```r
s
```

```
[1] 5
```

Wenn wir uns nun `s` anschauen, dann ist dies immer noch 5, auch nachdem wir die Funktion `durchschnitt` aufgerufen haben (wird lexikalisches Scoping genannt).

- Unterschiede zwischen lexikalischem und dynamischem Scoping finden Sie [hier](http://adv-r.had.co.nz/Functions.html#lexical-scoping)

---

## For-Schleifen

Nach der Definition einer Funktion wollen wir diese auf mehrere Elemente anwenden.
Dies können wir über eine Schleife erreichen.

- Über eine Schleife können bestimmte Aktionen `$n$` mal wiederholt werden.

```r
n <- 5
for(i in 1:n){
  print(i)
}
```

```
[1] 1
[1] 2
[1] 3
[1] 4
[1] 5
```

- In der For-Schleife wird die Eingabe evaluiert und entsprechende Aktion ausgeführt (hier die Ausgabe der Zahlen von `$n=1,\dots,5$`)
- Die gleiche Aktion wird 5 mal ausgeführt, es ändert sich nur `$n$`