In martscht/PsyBSc7: Übungen für die Praktika im Sommersemester 2020

library(learnr)
library(fontawesome)
library(ggplot2)

Um die Daten zu laden, können wir die Funktion nutzen, die im Paket eingebaut ist:

PsyBSc7::Aufgaben_2()

Alternativ können Sie natürlich auch die Schritte durchlaufen, die in der Übung besprochen wurden.

Außerdem muss natürlich ggplot2 geladen werden:

library(ggplot2)

Datenauswahl

Erstellen Sie einen Datensatz mit dem Namen covid_se, der nur die Daten dieser Länder enthält (Myanmar wird im englischsprachigen Raum weiterhin offiziell als "Burma" geführt).

Wie in der Übung für die europäischen Länder vorgeführt, können wir die Selektion z.B. mit den eckigen Klammern machen.

covid_se <- covid[covid$Country.Region %in% c(
  'Brunei', 'Burma', 'Cambodia',  'Indonesia',
  'Laos', 'Malaysia', 'East Timor', 'Philippines',
  'Singapore', 'Thailand', 'Vietnam'), ]

Relative Fallzahlen

Die Darstellung absoluter Fallzahlen wird häufig als irreführend angesehen, weil Länder mit größerer Bevölkerung mehr mögliche Fälle habe. Nutzen Sie obenstehende Tabelle um die Anzahl bestätigter Fälle an der Bevölkerung zu relativieren und so die bestätigten Fälle pro 100 000 Einwohner zu erhalten. Nennen sie diese Variable Per100k.

In der Tabelle sind die Einwohnerzahlen in 100 000 dargestellt. Hier die ausführliche Variante um die Variable zu erstellen, wobei auch Abkürzungen mit Vektoren möglich sind.

covid_se$Per100k <- NA
covid_se$Per100k[covid_se$Country.Region == 'Brunei'] <- covid_se$Confirmed[covid_se$Country.Region == 'Brunei'] / 4
covid_se$Per100k[covid_se$Country.Region == 'Burma'] <- covid_se$Confirmed[covid_se$Country.Region == 'Burma'] / 537
covid_se$Per100k[covid_se$Country.Region == 'Cambodia'] <- covid_se$Confirmed[covid_se$Country.Region == 'Cambodia'] / 167
covid_se$Per100k[covid_se$Country.Region == 'Indonesia'] <- covid_se$Confirmed[covid_se$Country.Region == 'Indonesia'] / 2677
covid_se$Per100k[covid_se$Country.Region == 'Laos'] <- covid_se$Confirmed[covid_se$Country.Region == 'Laos'] / 71
covid_se$Per100k[covid_se$Country.Region == 'Malaysia'] <- covid_se$Confirmed[covid_se$Country.Region == 'Malaysia'] / 315
covid_se$Per100k[covid_se$Country.Region == 'East Timor'] <- covid_se$Confirmed[covid_se$Country.Region == 'East Timor'] / 12
covid_se$Per100k[covid_se$Country.Region == 'Philippines'] <- covid_se$Confirmed[covid_se$Country.Region == 'Philippines'] / 1067
covid_se$Per100k[covid_se$Country.Region == 'Singapore'] <- covid_se$Confirmed[covid_se$Country.Region == 'Singapore'] / 58
covid_se$Per100k[covid_se$Country.Region == 'Thailand'] <- covid_se$Confirmed[covid_se$Country.Region == 'Thailand'] / 694
covid_se$Per100k[covid_se$Country.Region == 'Vietnam'] <- covid_se$Confirmed[covid_se$Country.Region == 'Vietnam'] / 955

Abbildung relativer Fallzahlen

Stellen Sie die Bestätigten Fälle pro 100 000 Einwohner in Abhängigkeit von der Zeit in einer Abbildung dar. Nutzen Sie Farben um zwischen den Ländern zu unterscheiden.

ggplot(covid_se, aes(x = Day, y = Per100k, color = Country.Region)) +
  geom_point() + geom_line()

Faceting

Stellen Sie für jedes Land in einer Teilabbildung die bestätigten Fälle (Confirmed), und die Todesfälle (Deaths) dar. Nutzen sie für die beiden Linien unterschiedliche Farben (aber über alle Länder hinweg die gleichen). Weil sich die Bevölkerungszahlen so drastisch unterscheiden, lassen sie die y-Achse über die Länder hinweg frei variieren.

Auch hier im Beispiel wieder blau für die Fallzahlen und rot für die Todesfälle. Mit free_y wird in jedem Land eine eigene Skalierung der y-Achse genutzt.

ggplot(covid_se, aes(x = Day)) +
  geom_line(aes(y = Confirmed), color = 'blue') +
  geom_line(aes(y = Deaths), color = 'red') +
  facet_wrap( ~ Country.Region, scales = 'free_y')

Balkendiagramm

Nutzen Sie ein Balkendiagramm, um die relative Häufigkeit verstorbener Personen (Deaths) and der Gesamtzahl besätigter Fälle (Confirmed) pro Land bis zum heutigen Tag darzustellen. Denken Sie daran, dass Sie dafür Daten aggregieren müssen. Füllen Sie die Balken dabei mit länderspezifischen Farben.

Zunächst Daten aggregieren:

covid_deaths <- aggregate(cbind(Confirmed, Deaths) ~ Country.Region, data = covid_se, FUN = 'sum')

Dann muss die relative Häufigkeit als neue Variable im Datensatz erstellt werden:

covid_deaths$DeathRatio <- covid_deaths$Deaths / covid_deaths$Confirmed

Zum Abschluss dann die Abbildung als Balkendiagramm. Auch hier darauf achten, dass die Werte des Datensatzes unverändert dargestellt werden sollen (stat = 'identity').

ggplot(covid_deaths, aes(x = Country.Region, y = DeathRatio, fill = Country.Region)) +
  geom_bar(stat = 'identity')

martscht/PsyBSc7 documentation built on Sept. 1, 2020, 10:50 p.m.