RStudio

TabelleVerwaltung von Objekten

Verwaltung von Vektoren

Mit eckigen Klammern [] kann man auf einzelne Elemente oder Teilbereiche eines Vektors zugreifen.

Tabellen

Grafik aus einer Tabelle generieren

help(mean) ODER ?mean

um im Reiter “help” (unten rechts im RStudio) Hilfe zu bekommen

• Beschreibung der Funktion

• Erklärung der Argumente

• Beispiele zur Anwendung

Tipp:

• Mit Klick auf das Haus-Symbol im „Help“-Fenster gelangt man zu einer Übersicht nützlicher Seiten.

• Wenn der Cursor in einer Funktion steht, kann auch die Taste F1 gedrückt werden.

Grundprinzip: R ist eine objektbasierte Befehlssprache.→ Alles, was in R erstellt oder berechnet wird, wird als Objekt gespeichert.

Ein Objekt kann z. B. enthalten:

• einen einzelnen Wert (z. B. x <- 3),

• mehrere Werte (z. B. Vektoren oder Listen),

• Variablen oder Datensätze,

• oder Ergebnisse von Berechnungen oder Analysen.

Regeln für Objektnamen

• Muss mit einem Buchstaben beginnen.

• Darf Buchstaben, Ziffern, Unterstriche _ und Punkte . enthalten.

• Keine Umlaute oder Sonderzeichen (z. B. ä, ß).

• Kleinschreibung empfohlen, da R case sensitive ist:

  • x ≠ X.

Zuweisung (Werte speichern)

erfolgt mit dem Zuweisungspfeil <-aus < und -

💡 Tipp: Tastenkombination Alt + - erzeugt <- automatisch mit Leerzeichen.

Beispiel:

x <- 32

→ erstellt ein Objekt namens x mit dem Wert 32. Das Objekt kann dann in weiteren Berechnungen verwendet werden:

x + 5

Ergebnis: 37

Überschreiben:

x <- 42

→ ersetzt den alten Wert (32) durch den neuen (42).

Befehle Gesamt:

x <- 32 # Objekt erstellen

x + 5 # mit Objekt rechnen

x <- 42 # Objekt überschreiben

ls() # alle Objekte anzeigen

rm(x) # Objekt löschen

= Grundbausteine vieler Datenstrukturen in R (z. B. Data Frames) = wie eine Spalte in einer Tabelle. z. B. das Alter, Einkommen oder die Namen mehrerer Personen.

➡️ Ein Vektor enthält mehrere Werte gleichen Typs (Zahlen oder Text). Jeder Wert hat eine Position (Index), beginnend bei 1.

Vektoren erstellen

Mit der Funktion c() (für concatenate = verbinden) werden mehrere Werte zu einem Vektor zusammengefasst:

alter <- c(18, 27, 38, 47, 63)

namen <- c("Thomas", "Julia", "Lisa", "Christian", "Gerrit")

! Alle Werte eines Vektors müssen vom gleichen Datentyp sein.

• alter ist ein numerischer Vektor

• namen ist ein Textvektor (character) → Text immer in Anführungszeichen!

Grundprinzip: Ein Vektor entspricht einer Spalte einer Tabelle.Mehrere Vektoren gleicher Länge können zu einer Tabelle zusammengefasst werden.

➡️ In R heißen Tabellen data.frame (engl. Datenrahmen).

Tabelle aus 2 vorhandenen Vektoren erstellen:

Vektor 1: namen <- c("Thomas", "Julia", "Lisa", "Christian", "Gerrit")

Vektor 2: alter <- c(18, 27, 38, 47, 63)

Tabelle erstellen: daten1 <- data.frame(namen, alter)

Tabelle ohne vorhandene Vektoren direkt erstellen:

daten2 <- data.frame(

name = c("Oliver", "Julia", "Thomas", "Stefanie", "Daniel"),

alter = c(32, 38, 49, 35, 52),

punkte = c(12, 18, 6, 14, 9),

einkommen = c(1900, 2000, 1800, 2200, 1600))

View(daten2)

➡️ daten2 enthält jetzt vier Spalten und fünf Zeilen(n = 5 Personen, m = 4 Merkmale).

Befehle:

• Mit $ kannst du auf einzelne Spalten zugreifen:

  • daten1$alter # gibt Alterswerte der Tabelle daten1

  • daten2$name # gibt die Namen der Tabelle daten2

    
    

Data.frames erweitern

• Variablen zu bestehendem Data.frame hinzufügen

  • Variable erstellen: z.B. neue_person <- data.frame(punkte_test = 7, gelernte_stunden = 18, name = "Paul")

  • erster_df <- rbind(erster_df, neue_person)

• mehrere Frames verbinden zu einem neuen

  • gesamt_df<-cbind(frame1, frame2,…)

Achtung: In R müssen fehlende Werte (NA) aktiv ausgeschlossen werden, damit Berechnungen funktionieren.

• Fehlende Werte werden in R durch NA (Not Available) dargestellt.

• Sie treten häufig in realen Datensätzen auf, z. B. wenn Befragte keine Angabe machen.

• beispiel_na <- c(1900, 2000, 1800, 2200, NA)

  → Der letzte Wert ist fehlend.

• Problem, wenn man direkt Berechnung durchführen möchte, gibt R NA aus, da fehlende Werte das Ergebnis ungültig machen.

Lösung: Mit dem Argument na.rm = TRUE (remove NAs = TRUE) werden fehlende Werte ignoriert:

• Beispiel: min(beispiel_na, na.rm = TRUE)

  max(beispiel_na, na.rm = TRUE)

  • Statt TRUE kann auch das Kürzel T verwendet werden.

    
    

wird noch aufgefüllt in Kapitel 7

1. Neue Skript-Datei öffnen: Strg + Shift + N

2. Bestehende Skript-Datei öffnen: Strg + O

3. Neuen Abschnitt in R-Skript erstellen: Strg + Shift + R

4. Codezeile in R-Skript ausführen: Strg + Eingabetaste (Enter)

5. Zuweisungspfeil erstellen: Alt + Minus (-)

🔹 Grundidee

• Pakete (Packages) erweitern den Funktionsumfang von R erheblich.

• Sie werden von Einzelpersonen oder Gruppen erstellt und über das CRAN (Comprehensive R Archive Network) bereitgestellt.

• Viele Analysen und Funktionen in R sind nur durch zusätzliche Pakete verfügbar (z. B. tidyverse, dplyr).

🔹 Schritte zur Nutzung eines Pakets

1. Installation (nur einmal nötig)

   install.packages("paketname")

   • Paketname in Anführungszeichen

   • ggf. automatische Installation abhängiger Pakete (dependencies)

   • Installation dokumentiert in der Console (z. B. package ‘descr’ successfully unpacked and MD5 sums checked)

   • Nach erfolgreicher Installation erscheint wieder das Prompt-Zeichen >

2. Laden / Aktivieren (bei jeder neuen Sitzung nötig)

   library(paketname)

   • Ohne Anführungszeichen

   • Paket wird für die aktuelle R-Sitzung aktiviert

🔹 Hinweise zur Praxis

• Kommentarzeichen # vor install.packages() verhindert unbeabsichtigte Neuinstallation beim Skriptlauf.

• Dokumentation installierter Pakete in RStudio:

  • Reiter: Packages (unten rechts)

  • Paketname anklicken → öffnet Dokumentation

  • Aktivierung/Deaktivierung durch An- oder Abhaken

  • Deinstallation: Klick auf „x“ rechts in der Paketzeile

  • Update: über Symbol unterhalb des Reiters Packages oder mit

    update.packages()

    → aktualisiert alle installierten Pakete (sofern keine Namen angegeben werden)

🔹 Beispiel: Installation und Laden des tidyverse

install.packages("tidyverse") # nur einmal nötig library(tidyverse) # in jeder Sitzung laden

• tidyverse = Sammlung mehrerer Pakete mit gemeinsamer Philosophie, Grammatik und Datenstruktur

• Enthält z. B. dplyr, ggplot2, tidyr, readr usw.

• Offizielle Dokumentation: www.tidyverse.org

• In der Paketübersicht werden einzelne tidyverse-Pakete angezeigt, nicht das Gesamtpaket selbst

🔹 Wichtigste Funktionen (Tabelle)

📘 Daten laden in R

🔹 Grundprinzip

• Daten werden in R meist nicht manuell eingegeben, sondern geladen oder importiert.

• Unterschied:

  • Laden → wenn Daten bereits im R-Format (.RData) vorliegen

  • Importieren → wenn Daten aus anderen Formaten stammen (z. B. Excel, SPSS)

🔹 Beispiel: Datensatz peanuts_r.RData

• Enthält fiktive Informationen zu Figuren der Comicserie „Peanuts“

• Umfasst 7 Variablen und 10 Fälle

🧠 Item-Nonresponse: Wenn eine Person bei einer Frage keine Angabe macht (fehlender Wert = NA in R).

🔹 Möglichkeiten, einen Datensatz in RStudio zu laden

1. Über das Menü: File → Open File… → Datei über Auswahlfenster öffnen

2. Über das Environment-Fenster: Klick auf das Datei-Symbol im Reiter Environment

3. Über Tastaturkürzel: Strg + O → öffnet das Auswahlfenster

4. Direkt über ein Skript (empfohlen):

   • Vorteil: Nachvollziehbarkeit und Reproduzierbarkeit der Analysen

   • Hierbei muss das Arbeitsverzeichnis (working directory) angegeben werden

🔹 Arbeitsverzeichnis in R festlegen

💡 Hinweis für Windows-Nutzer: In Pfadangaben müssen Vorwärtsschrägstriche / verwendet werden, z. B.:

setwd("H:/Verzeichnis1/Verzeichnis2")

🔹 Datensatz laden und anzeigen

getwd() # aktuelles Arbeitsverzeichnis anzeigen setwd("H:/") # Arbeitsverzeichnis festlegen load("peanuts_r.RData") # Datensatz laden load("H:/peanuts_r.RData") # alternativ: vollständiger Pfad in der Funktion View(peanuts_r) # Datensatz in Tabellenansicht öffnen

🔹 Zusammenfassung – Wichtig zu merken

• R-Daten (.RData) → werden mit load() geladen

• Andere Formate (Excel, SPSS usw.) → werden importiert

• Arbeitsverzeichnis (getwd/setwd) muss richtig gesetzt sein

• View() öffnet den Datensatz zur Ansicht

• Fehlende Werte werden in R als NA dargestellt

📘 Daten importieren in R

🔹 Grundprinzip

• Daten liegen häufig nicht im R-Format (.RData) vor → müssen importiert werden.

• R bietet verschiedene Importmöglichkeiten → z. B. über

  • das Environment-Fenster: Import Dataset → Auswahl der passenden Datenquelle (Excel, SPSS, CSV etc.).

  • oder per Skript:

    
    

🔹 1. Import von Excel-Dateien

• Menüpfad: Import Dataset → From Excel

• Es öffnet sich ein Auswahlfenster:

  • Browse → Excel-Datei auswählen

  • Data Preview → Vorschau des Datensatzes

  • Import Options → Anpassungen möglich (z. B. Tabellenblatt auswählen)

• Der Import erfolgt über das Paket readxl.

• Code-Vorschau („Code Preview“) zeigt automatisch den entsprechenden Befehl, z. B.:

  peanuts_excel <- read_excel("E:/peanuts_excel.xlsx")

• Möglichkeit: Code kopieren oder direkt auf „Import“ klicken → Datensatz wird geladen.

• Nach erfolgreichem Import erscheint der Datensatz im Environment-Fenster (z. B. peanuts_excel).

🔹 2. Import von SPSS-Dateien

• Menüpfad: Import Dataset → From SPSS

• Import erfolgt über das haven-Paket (Teil des tidyverse).

• Vorschau zeigt Datensatz – z. B. Spalten typ und sport erscheinen als Ziffern (double) statt Text.

  • Grund: SPSS verwendet Variablen- und Wertelabels → diese werden in R als Attribute gespeichert.

• Import per Klick auf „Import“ oder alternativ per Skript:

  peanuts_spss <- read_sav("E:/peanuts_spss.sav")

• Datensatz erscheint anschließend im Environment-Fenster.

🔹 3. Import von CSV-Dateien

• CSV = Comma-Separated Values

• Sehr häufiges Format, oft mit Tabellenkalkulationen (z. B. Excel) verknüpft.

• Aufbau:

  • Erste Zeile: Variablennamen

  • Folgende Zeilen: Werte der einzelnen Untersuchungsobjekte

• Unterschiedliche Trennzeichen:

  • International: Komma (,) als Feldtrennzeichen, Punkt (.) als Dezimaltrennzeichen

  • Deutsch/Europa: Semikolon (;) als Feldtrennzeichen, Komma (,) als Dezimaltrennzeichen

🧩 Beispiele:

CSV (Komma als Trennzeichen):

id,name,auftritt,typ,sport,tgeld,punkte 1,Charlie Brown,02.10.1950,Mensch,Baseball,5,25.5

CSV (Semikolon als Trennzeichen):

id;name;auftritt;typ;sport;tgeld;punkte 1;Charlie Brown;02.10.1950;Mensch;Baseball;5;25,5

🔹 Import von CSV-Dateien in RStudio

• Menüpfad: Import Dataset → From Text (readr)

• Dort kann das Datenfeldtrennzeichen und weitere Optionen angepasst werden.

• Der Import erfolgt über Funktionen aus dem Paket readr:

Beispiele:

peanuts_comma <- read_csv("E:/peanuts_comma.csv") peanuts_semicolon <- read_csv2("E:/peanuts_semicolon.csv")

Beide Funktionen (read_csv, read_csv2) sind Varianten der allgemeinen Funktion read_delim(). Über die Hilfefunktion ?read_csv oder ?read_csv2 kann eine ausführliche Beschreibung abgerufen werden.

🔹 Zusammenfassung – Wichtig zu merken

• Excel-Import: über readxl → read_excel()

• SPSS-Import: über haven → read_sav()

• CSV-Import: über readr → read_csv() oder read_csv2()

• Import-Funktion in RStudio: über Environment → „Import Dataset“

• Trennzeichen & Dezimaltrennzeichen je nach Sprachraum beachten

• Labels aus SPSS werden in R als Attribute gespeichert, nicht automatisch als Text

📘 Objekttypen in R

🔹 Bedeutung der Objekttypen

• Objekttypen (engl. data types) = entscheidend für die Verarbeitung und Analyse von Daten.

• Unterschiedliche Datentypen führen zu unterschiedlichem Verhalten von Funktionen. → Beispiel: mean(peanuts_r$tgeld) funktioniert, aber mean(peanuts_r$name) führt zu einer Fehlermeldung, da name kein numerischer Typ ist.

• Kenntnis der Objekttypen ist wichtig, um Fehler zu vermeiden und Daten korrekt zu analysieren.

🔹 Wichtige Objekttypen in R

1. Zahlen = numeric

• Bezeichnung in R: numeric

• Zwei Untertypen:

  • integer → ganze Zahl (z. B. 2L)

  • double → Kommazahl (z. B. 2.0) = standard!

• Unterschied meist nur bei großem Speicherbedarf relevant.

• Beispiel:

  class(peanuts_r$tgeld) # integer class(peanuts_r$punkte) # numeric

2️⃣ Text

• Bezeichnung in R: character

• Enthält Text oder Zeichenketten.

• Zahlenfolgen können als Text gespeichert werden, wenn sie in Anführungszeichen stehen:

  objektname <- "123" class(objektname) # character

• Mit Textvariablen werden keine statistischen Berechnungen durchgeführt.

• Es gibt eigene Pakete zur Textverarbeitung, z. B. stringr.

3️⃣ Faktoren (factor)

• kategoriale Variablen mit bekannter und begrenzter Anzahl von Ausprägungen. → Besonders geeignet für nominale (z. B. Geschlecht) und ordinale Variablen (z. B. Bildungsniveau).

• Vorteile bei statistischen Analysen (z. B. automatische Häufigkeitstabellen).

• Prüfung der Ausprägungen (Levels):

  levels(peanuts_r$typ) # "Mensch", "Tier" levels(peanuts_r$sport) # "Baseball", "Eiskunstlauf", "Golf"

• Beispielhafte Analyse:

  summary(peanuts_r$typ) summary(peanuts_r$sport)

  → Ausgabe: Häufigkeitstabellen, keine deskriptiven Statistiken.

4️⃣ Datum (Date)

• Speichert Datumsangaben → ermöglicht Berechnung von Zeitspannen.

• Beispiele:

  class(peanuts_r$auftritt) # "Date" Sys.Date() # Aktuelles Datum date() # Aktuelles Datum + Uhrzeit

• Beispiel für Berechnung:

  peanuts_r$dauer <- Sys.Date() - peanuts_r$auftritt

  → Anzahl der Tage seit dem ersten Auftritt.

🔹 Objekttyp prüfen

• Funktion: class() → zeigt den Objekttyp einer Variablen an.

  class(peanuts_r$name) # character class(peanuts_r$auftritt) # Date class(peanuts_r$typ) # factor class(peanuts_r$tgeld) # integer class(peanuts_r$punkte) # numeric

🔹 Testen und Konvertieren von Objekttypen

🔹 Unterschiedliche Objekttypen beim Datenimport

Beim Import von Datensätzen aus verschiedenen Formaten (Excel, SPSS, CSV) können die gleichen Variablen unterschiedliche Objekttypen haben:

👉 Fazit: Der Objekttyp hängt vom Importverfahren und dem Dateiformat ab. Prüfung nach dem Import ist daher unerlässlich.

🔹 Objekttyp konvertieren – Beispiele

📄 Beispiel: Excel-Datensatz (Text → Faktor)

peanuts_excel$typ2 <- as.factor(peanuts_excel$typ) peanuts_excel$sport2 <- as.factor(peanuts_excel$sport)

📄 Beispiel: SPSS-Datensatz (Zahl → Faktor mit Labels)

peanuts_spss$typ2 <- factor(peanuts_spss$typ, levels = c(1, 2), labels = c("Mensch", "Tier")) class(peanuts_spss$typ2) peanuts_spss$sport2 <- factor(peanuts_spss$sport, levels = c(1, 2, 3), labels = c("Baseball", "Golf", "Eiskunstlauf")) class(peanuts_spss$sport2)

→ Neue Variablen (typ2, sport2) sind korrekt als Faktoren definiert.

🔹 Merksätze

• R unterscheidet Zahlen, Text, Faktoren und Datum.

• Der Objekttyp beeinflusst, welche Funktionen sinnvoll angewendet werden können.

• Nach jedem Import: immer Objekttyp mit class(objektname$variable) prüfen.

• Falls nötig → mit as.*() in den passenden Typ konvertieren.

• Unterschiede zwischen Datensatzformaten (Excel, SPSS, CSV) sind normal und müssen ggf. bereinigt werden.

1. Es gibt verschiedene Coding-Style, welchen man wählt ist egal, aber er muss konsequent durch das Skript durchgezogen werden (z.B. TidyVerse-Style)

2. Dateien immer klar zu bennen - ohne Leerzeichen, immer mit Unter- oder Bindestriche

3. Header (4x Bindestrich) erschaffen Abschnitte zur Strukturierung eines Skriptes - Anzeige eines Heads durch Button rechts oben im Skript

   • Alternative: Reiter oben im Menü “Code” -> “Insert Section”

   • oder: str+Umsch+R

4. Alle genutzten Pakete über das Skript aufführen und laden zur Nachvollziehbarkeit

5. Variablen und Funktionen von Objekten (data.frame) immer klar benennen. Empfohlen:

   • Benennung durch kleine Buchstaben und Zahlen

   • Worte trennen mit Unterstrich

   • Variablen werden mit Substantiven, Funktionen mit Verben benannt

   • Namen allgemein nicht zu lang!

   • auf eine Variable (Spalte) im data.frame zugreifen mit dem $-Operator

   • Beispiel:

     Elementtyp	Beispielname	Warum Substantiv / Verb?	Beispielinhalt
     Objekt	lern_daten	Substantiv – beschreibt, was gespeichert ist	Tabelle mit Beobachtungen
     Variable	stunden, note	Substantive – beschreiben Eigenschaften	Spalten im Datensatz
     Funktion	berechne_korrelation()	Verb – beschreibt, was getan wird	führt eine Berechnung aus

6. Nutze Kommentare, um die Erklärung eines Arbeitsschrittes hinzuzufügen (z.B. #funktion berechnet die Korrelation)

7. für bessere Lesbarkeit nach jedem Argument (also Komma) oder Operator ein Leerzeichen, obwohl dies für die Berechnung nicht notwendig ist

8. Verhinderung langer Zeilen, max. 80 Zeichen (graue Linie im Skriptfenster)

   • trenne dafür Argumente und lasse die jeweils öffnende und schließende Klammer alleine in einer Zeile stehen

   • Beispiel: lernerfolg <- data.frame c(

     “gelernte_stunden”,….

9. Pakete immer am Anfang des Skriptes laden

   • Beispiel:

     # Pakete

     library(tidyverse)

     library(haven)

     library(sjmisc)

     library(sjPlot)

     # Daten laden

     load("ess9de_m1.RData")

   • pipes aus TidyVerse sauber anwenden:

   • Jeder Pipe in eigene Zeile mit erklärendem Kommentar

   • z.B: group_by.._(region) %>% #Sortierung nach Region

Heißt: „Saubere Skripte sind wie saubere Notizen – sie sparen Zeit, vermeiden Fehler und machen Analysen reproduzierbar.“

Neuen Absatz erschaffen

• Reiter oben im Menü “Code” -> “Insert Section”

• oder: str+Umsch+R

Daten importieren

• Von Excel: Befehl im script: library(readxl)

  • Enviroment: import Dataset -> from Excel -> code kopieren

  • Code im Skript eingeben zwecks Nachvollziehbarkeit (auf Schrägstriche achten!)

    • (z.B: Dateiname <- read_excel(“anlageort am PC/Dateiname)

      View(dateiname)

• Von SPSS: Befehl im Skript: library(haven)

  • Enviroment: import Dataset -> from SPSS-> code kopieren

  • Code im Skript eingeben zwecks Nachvollziehbarkeit (auf Schrägstriche achten!)

    • (z.B: Dateiname <- read_sav(“ablageort am PC/Dateiname)

      View(dateiname)

R-Daten hochladen

• load(ablageort+Dateiname)

• Auf Schrägstriche achten -> immer /

Hochgeladene Daten auf Objekttypen prüfen

• Objektklassifizierung: sapply(Datenname, class) oder str(Datenname)

  • gibt dann für jede Spalte den Objekttypen heraus

  • Objekttypen:

    • numeric → Für Berechnungen mit Zahlen

      • Integer: Ganze Zahlen

      • double: Kommazahlen

    • factor → Für (Text)Kategorien mit begrenzten Ausprägungen

      • Levels gibt Menge aller möglichen Kategorien (Ausprägungen) an, die diese Variable annehmen kann.

      • zeigt aber nicht, wie oft diese Kategorie vorkommt – das kommt später, z. B. mit table() oder summary().

      • Funktion: levels(dateiname$variable)

    • character → Für Text

    • date → Für Zeitangaben

    • logical → Für Wahr/Falsch-Aussagen

• Ausprägungsarten für Faktoren ausgeben lassen:

  • min(datennamen$Variable, na.rm = TRUE)

  • max(….”)

  • Häufigkeit: summary(….”)