other_Code/10_toDos.R

In b-becker/eatGADS: Normalizing, Subsetting and Reshaping Hierarchical Data

# to dos
##########


# later
# ------------------------------------------------------------------------
# implement tests for various na_range/na_value scenarios

# create new example data set to updated design (include labels etc.) or maybe delay till final design is clearer

# reshaping long to wide (set standard!)

# how to organize sqlite3 setup (Path-file, installation...)
# what is done by RSQLite, can we use that? include sqlite3 as dependency?

## test for complete linkedness of foreign keys




# klären
# ------------------------------------------------------------------------
### Labels
# seperat von Pulls gehalten, ok so?


### SPSS read:
# missing markiert in SPSS, aber keine Label vergeben -> trotzdem als labels? wie allgemein da vorgehen?
### Stefan/Sebastian:
# Missings abklären (import aus SPSS), ok so?
# Miss labels werden nur vergeben, wenn es tatsächlich auch labels für sie gibt (ansonsten range nicht brauchbar!!!)

### SPSS write:
# how to deal with missing value labels, ok to add all as na_values and no to range? put na_value/range info into miss column?
# factors treated correctly?
# SPSS-Format ok?

###
## implement missing labels, R like SPSS? -> mit Sebastian absprechen
# rethink label extraction(files vs r-objects...), what is the best way?

### doppelte variablen
# momentan werden Variablen dupliziert, wenn sie in mehreren Datensätzen vorhanden sind -> wie damit umgehen?
# betrifft vor allem IDs
# gibt es anderen Variablen, bei denen das so sein kann?

# vlt. gar nicht so schlecht, dann in R checken, welche Rows duplicated sind (vor Punkte am Namen erkennbar) und duplicated entfernen?
# cooler wäre in sqlite, aber das scheint nicht zu funktionieren

# very later
# ------------------------------------------------------------------------
### performance comparison (vs. as one data frame vs. merging after pulling)

### # getQuery als sendquery und fetch um status zu haben? je nach Performanz bei großen datensätzen!