In ablaette/learningR: Slides and Supplementary Material to Get Started with R

Daten

install.packages("learningR", repos = "https://polmine.github.io/drat")

library(learningR)
colnames(btw2017)[1:10]

---

Vokabelheft Visualisierung

• Klassiker:
• barplot() (Balkendiagramme)
• pie() (Kuchendiagramme)
• universelle Werkzeuge:
• plot()
• text()
• points()
• lines()
• Verteilungen: hist() (Histogramme), boxplot()(Boxplots)

Hinweis: Die "base R"-Funktionen sind generische Methoden, die ihr Verhalten abhängig vom Objekt ändern.

---

Ausgabeoptionen

• Zuweilen ist es am einfachsten, eine Graphik in RStudio zu generieren und von dort zu speichern oder in die Zwischenablage zu kopieren
• Graphiken können auf verschiedene "graphical devices" umgelenkt werden (mit dev.off() abschließen!):
• pdf()
• bmp(), png(), tiff()

pdf_doc <- tempfile(fileext = ".pdf")
pdf(file = pdf_doc)
hist(btw2017[["Wähler/Zweitstimmen/Endgültig"]] / btw2017[["Wahlberechtigte/Zweitstimmen/Endgültig"]])
dev.off()

---

Graphikparameter

• Das Verhalten der Graphik-Ausgabe wird über Graphik-Parameter gesteuert
• Weitere Informationen: ?par

par()

---

Szenario Kuchendiagramm

duis_districts <- grep("Duisburg", btw2017[["Gebiet"]])

parties <- c(black = "CDU", red = "SPD", yellow = "FDP", pink = "LINKE", green = "GRUENE", blue = "AfD")
columns <- paste(parties, "Zweitstimmen", "Endgültig", sep = "/")
votes <- unlist(btw2017[duis_districts[1], columns])
names(votes) <- sapply(strsplit(names(votes), "/"), `[`, 1L)
votes_total <- as.integer(btw2017[duis_districts[1],"Wähler/Zweitstimmen/Endgültig"])
votes <- c(votes, Sonstige = votes_total - sum(votes))
percent <- round(votes /  votes_total * 100, 1)

names(percent) <- paste(names(percent), " (", unname(percent), "%)", sep = "")

pie(
  percent,
  labels = names(percent),
  col = c(names(parties), "darkgrey"),
  main = "Duisburg I",
  cex = 1
)

---

Szenario: Vergleich Wahlkreisergebnisse

par(mfrow = c(1, 2))
par(mar = c(1, 1, 1, 1))

get_votes <- function(i){
  votes <- unlist(btw2017[i, columns])
  names(votes) <- sapply(strsplit(names(votes), "/"), `[`, 1L)
  votes
}

for (i in 1L:length(duis_districts)){
  v <- get_votes(duis_districts[i])
  pie(v, labels = names(v), col = names(parties), cex = 0.6, main = btw2017[duis_districts[i], "Gebiet"])
}

---

Balkendiagramm

gruene_share <- btw2017[["GRUENE/Zweitstimmen/Endgültig"]] / btw2017[["Wähler/Zweitstimmen/Endgültig"]]
btw2017[["GRÜNE/Prozent"]] <- round(gruene_share * 100, 1)
btw2017_gr <- btw2017[order(btw2017[["GRÜNE/Prozent"]], decreasing = TRUE),]
btw2017_min <- subset(btw2017_gr, gehört.zu != 99)[1:10,]

barplot(btw2017_min[["GRÜNE/Prozent"]], names.arg = btw2017_min[["Gebiet"]], las = 2)

---

Aufgaben

1. Wie hoch ist der Anteil der Nichtwähler*innen im Bundesländervergleich
2. Wo hatte die AfD bei der Bundestagswahl 2017 ihre Hochburgen?
3. Wo ist die Abweichung zwischen Erst- und Zweitstimmenergebnis der Grünen besonders hoch?
4. OFFEN

ablaette/learningR documentation built on July 1, 2023, 1:11 a.m.