Ekonometri Vize Projesi
Hamidou Souleymanou
2024-02-21
Ekonometri Vize Projesi
R ve R Studio
-R’yi yükledim
-R Studio’yi yükledim
-Yeni proje oluşturup yazmaya başladım
R Markdown
-R Markdown’ı yükledim
-Tema değistirdim
Dünya Ekonomisi Projesi
Paketler
Paket Nedir
R paketleri, R işlevlerinin, uyumlu kodların ve örnek verilerin bir koleksiyonudur. R ortamında “Library” adı verilen bir dizin altında saklanırlar. Varsayılan olarak R, kurulum sırasında bir dizi paket yükler. Daha sonra belirli bir amaç için ihtiyaç duyulduğunda daha fazla paket eklenir. R konsolunu başlattığımızda varsayılan olarak yalnızca varsayılan paketler mevcuttur. Zaten kurulu olan diğer paketlerin, onları kullanacak R programı tarafından kullanılabilmesi için açıkça yüklenmesi gerekir. R dilinde mevcut olan tüm paketler R Paketleri’nde listelenir.
Paket Niye Kullanılır
Fonksiyonlar ve Arayüzler:
R paketleri, belirli analizleri gerçekleştirmek için önceden yazılmış fonksiyonlar içerir. Bu fonksiyonlar, belirli istatistiksel hesaplamalar, veri manipülasyonları, görselleştirmeler ve diğer analiz tekniklerini kolaylaştırır.
Veri Setleri:
Birçok R paketi, örnek veri setleri içerir. Bu veri setleri, belirli analizleri denemek veya örnek çalışmalar oluşturmak için kullanılabilir.
Görselleştirme Araçları:
R paketleri, verileri görselleştirmek için çeşitli araçlar sağlar. ggplot2 gibi paketler, etkili ve özelleştirilebilir grafikler oluşturmak için kullanılır.
İleri Analiz Teknikleri:
R paketleri, makine öğrenimi, derin öğrenme, zaman serisi analizi, büyük veri analizi gibi ileri analiz tekniklerini uygulamak için kullanılabilir.
Topluluk Katkısı:
R topluluğu sürekli olarak yeni paketler geliştirir ve mevcut paketleri günceller. Bu, kullanıcıların yeni ve gelişmiş araçlara erişimini sağlar.
Kodu Düzenleme ve Tekrar Kullanımı:
R paketleri, kodun yeniden kullanılabilirliğini artırır ve projeler arasında kod parçalarını kolayca taşımayı sağlar. Bu, veri bilimcilerin ve analistlerin daha verimli çalışmasına yardımcı olur.
Performans ve Optimizasyon:
Bazı R paketleri, belirli analizlerin performansını artırmak ve hesaplama sürelerini azaltmak için optimize edilmiştir.
R Paketlerin Örnekleri
ggplot2
ggplot2, veri görselleştirmesi için popüler bir R paketidir. Grafik Dilbilgisi’ne dayanır ve kullanıcıların verilere katmanlar, estetikler ve eşlemeler ekleyerek karmaşık grafikler oluşturmasını sağlar.
dplyr
dplyr, R’de veri manipülasyonu için bir pakettir. Ortak veri işleme görevlerini daha kolay ve sezgisel hale getirmek için tasarlanmış bir dizi işlev sağlar. dplyr işlevleri, veri filtreleme, seçme, düzenleme, değiştirme ve özetleme gibi görevler için kullanılır.
caret
caret, Sınıflandırma ve Regresyon Eğitimi anlamına gelir. R’de makine öğrenimi modellerini eğitmek ve ayarlamak için birleşik bir arayüz sağlar. caret, veri ön işleme, özellik seçimi, model eğitimi, model ayarlama ve performans değerlendirmesi için işlevler içerir.
tidyr
tidyr, veri düzenlemesi için bir R paketidir. Veri çerçevelerini analiz ve görselleştirme için daha kolay bir formata getirmek için araçlar sağlar. tidyr işlevleri genellikle veriyi geniş ve uzun formatlar arasında dönüştürmek, sütunları ayırmak ve birleştirmek, eksik değerlerle başa çıkmak için kullanılır.
randomForest
randomForest, sınıflandırma ve regresyon görevleri için random forest algoritmasını uygulayan bir R paketidir. Rastgele ormanlar, eğitim sırasında birden fazla karar ağacı oluşturan ve tahminlerini iyileştirmek için bunların tahminlerini birleştiren bir topluluk öğrenme yöntemidir. R’deki randomForest paketi, rastgele orman modelleri oluşturmak, tahminler yapmak ve model performansını değerlendirmek için işlevler sağlar.
Proje
İşsizlik Oranı
2 Ülkeler arasında İşsizlik Oranı Farklılıkları
chooseCRANmirror(ind = 62)install.packages(c("WDI", "dplyr", "tidyr", "ggplot2"))## package 'WDI' successfully unpacked and MD5 sums checked
## package 'dplyr' successfully unpacked and MD5 sums checked
## package 'tidyr' successfully unpacked and MD5 sums checked
## package 'ggplot2' successfully unpacked and MD5 sums checked
##
## The downloaded binary packages are in
## C:\Users\Hamıdou Souleymanou\AppData\Local\Temp\RtmpcDUg4L\downloaded_packageslibrary(WDI)
library(dplyr)
library(tidyr)
library(ggplot2)
countries <- c("ES", "CH")
indicators <- "SL.UEM.TOTL.ZS"
unemployment_data <- WDI(country = countries, indicator = indicators, start = 1990, end = 2022)
print(unemployment_data)## country iso2c iso3c year SL.UEM.TOTL.ZS
## 1 Switzerland CH CHE 2022 4.30
## 2 Switzerland CH CHE 2021 5.10
## 3 Switzerland CH CHE 2020 4.82
## 4 Switzerland CH CHE 2019 4.39
## 5 Switzerland CH CHE 2018 4.71
## 6 Switzerland CH CHE 2017 4.80
## 7 Switzerland CH CHE 2016 4.92
## 8 Switzerland CH CHE 2015 4.80
## 9 Switzerland CH CHE 2014 4.83
## 10 Switzerland CH CHE 2013 4.75
## 11 Switzerland CH CHE 2012 4.49
## 12 Switzerland CH CHE 2011 4.41
## 13 Switzerland CH CHE 2010 4.81
## 14 Switzerland CH CHE 2009 4.11
## 15 Switzerland CH CHE 2008 3.35
## 16 Switzerland CH CHE 2007 3.64
## 17 Switzerland CH CHE 2006 3.99
## 18 Switzerland CH CHE 2005 4.44
## 19 Switzerland CH CHE 2004 4.32
## 20 Switzerland CH CHE 2003 4.12
## 21 Switzerland CH CHE 2002 2.92
## 22 Switzerland CH CHE 2001 2.49
## 23 Switzerland CH CHE 2000 2.66
## 24 Switzerland CH CHE 1999 3.05
## 25 Switzerland CH CHE 1998 3.57
## 26 Switzerland CH CHE 1997 4.13
## 27 Switzerland CH CHE 1996 3.68
## 28 Switzerland CH CHE 1995 3.09
## 29 Switzerland CH CHE 1994 3.58
## 30 Switzerland CH CHE 1993 3.55
## 31 Switzerland CH CHE 1992 2.34
## 32 Switzerland CH CHE 1991 1.82
## 33 Switzerland CH CHE 1990 NA
## 34 Spain ES ESP 2022 12.92
## 35 Spain ES ESP 2021 14.78
## 36 Spain ES ESP 2020 15.53
## 37 Spain ES ESP 2019 14.10
## 38 Spain ES ESP 2018 15.25
## 39 Spain ES ESP 2017 17.22
## 40 Spain ES ESP 2016 19.64
## 41 Spain ES ESP 2015 22.06
## 42 Spain ES ESP 2014 24.44
## 43 Spain ES ESP 2013 26.09
## 44 Spain ES ESP 2012 24.79
## 45 Spain ES ESP 2011 21.39
## 46 Spain ES ESP 2010 19.86
## 47 Spain ES ESP 2009 17.86
## 48 Spain ES ESP 2008 11.25
## 49 Spain ES ESP 2007 8.23
## 50 Spain ES ESP 2006 8.45
## 51 Spain ES ESP 2005 9.15
## 52 Spain ES ESP 2004 11.09
## 53 Spain ES ESP 2003 11.28
## 54 Spain ES ESP 2002 11.15
## 55 Spain ES ESP 2001 10.35
## 56 Spain ES ESP 2000 13.79
## 57 Spain ES ESP 1999 15.48
## 58 Spain ES ESP 1998 18.67
## 59 Spain ES ESP 1997 20.70
## 60 Spain ES ESP 1996 22.14
## 61 Spain ES ESP 1995 22.68
## 62 Spain ES ESP 1994 24.21
## 63 Spain ES ESP 1993 22.16
## 64 Spain ES ESP 1992 17.70
## 65 Spain ES ESP 1991 15.93
## 66 Spain ES ESP 1990 NAggplot(data = unemployment_data, aes(x = year, SL.UEM.TOTL.ZS, color = country )) + geom_line() +
labs(x = "Year", y = "Unemployment Rate (%)", title = "Unemployment Rate Comparison: Spain vs Switzerland")
1990 ile 2022 arasında, İspanya’da işsizlik yüksek seyretti, özellikle 2008’deki finansal kriz sonrasında. İsviçre ise düşük ve istikrarlı işsizlik seviyelerini sürdürdü. İspanya ekonomisi zorluklarla boğuşurken, İsviçre çeşitlendirilmiş ekonomisi ve sağlam işgücü politikalarıyla olumlu bir istihdam ortamını korudu.
Diğer Paketler
Str Kodu
str kodu, R programlama dilindeki bir fonksiyondur. Bu fonksiyon, bir R nesnesinin yapısını (structure) gösteren bilgileri ekrana yazdırır. Yani, bir veri nesnesinin içeriği hakkında genel bir fikir edinmek için kullanılır.
Örneğin, bir veri çerçevesi veya bir listedeki değişkenlerin tiplerini, uzunluklarını ve değerlerini görmek için str() fonksiyonu kullanılabilir.
str(unemployment_data)## 'data.frame': 66 obs. of 5 variables:
## $ country : chr "Switzerland" "Switzerland" "Switzerland" "Switzerland" ...
## $ iso2c : chr "CH" "CH" "CH" "CH" ...
## $ iso3c : chr "CHE" "CHE" "CHE" "CHE" ...
## $ year : int 2022 2021 2020 2019 2018 2017 2016 2015 2014 2013 ...
## $ SL.UEM.TOTL.ZS: num 4.3 5.1 4.82 4.39 4.71 4.8 4.92 4.8 4.83 4.75 ...
## ..- attr(*, "label")= chr "Unemployment, total (% of total labor force) (modeled ILO estimate)"
## - attr(*, "lastupdated")= chr "2024-02-21"
## - attr(*, "label")= chr [1:66] "Unemployment, total (% of total labor force) (modeled ILO estimate)" "Unemployment, total (% of total labor force) (modeled ILO estimate)" "Unemployment, total (% of total labor force) (modeled ILO estimate)" "Unemployment, total (% of total labor force) (modeled ILO estimate)" ...Explore Paketi
“explore” kodu, R dilinde doğrudan bir fonksiyon değildir. Ancak, veri keşfi, analizi ve görselleştirmesi için kullanılan bir dizi işlemin genel adıdır. Bu işlemler, veri setinin yapısını anlamak, değişkenler arasındaki ilişkileri incelemek, veri dağılımlarını görselleştirmek ve veri setinin genel özelliklerini belirlemek gibi adımları içerebilir.
Explore paketinin bir parçası olan ““describe_all()”” işlevi, bir veri kümesindeki tüm sütunlar (değişkenler) için açıklayıcı istatistikler üretmek için kullanılır. Bir veri kümesine uygulandığında, her sütun için ortalama, medyan, standart sapma, minimum, maksimum ve çeyreklik gibi istatistikleri hesaplar ve görüntüler.
install.packages("explore")## package 'explore' successfully unpacked and MD5 sums checked
##
## The downloaded binary packages are in
## C:\Users\Hamıdou Souleymanou\AppData\Local\Temp\RtmpcDUg4L\downloaded_packageslibrary(explore)
describe_all(unemployment_data)## # A tibble: 5 × 8
## variable type na na_pct unique min mean max
## <chr> <chr> <int> <dbl> <int> <dbl> <dbl> <dbl>
## 1 country chr 0 0 2 NA NA NA
## 2 iso2c chr 0 0 2 NA NA NA
## 3 iso3c chr 0 0 2 NA NA NA
## 4 year int 0 0 33 1990 2006 2022
## 5 SL.UEM.TOTL.ZS dbl 2 3 64 1.82 10.4 26.1Pipe Öperatörü %>%
%>%, R programlama dilinde yaygın olarak kullanılan bir işlev olan “pipe” operatörüdür. Tidyverse ve ya dplyr paketi içerisinde bulunur ve daha okunabilir ve işlevsel kod yazmak için kullanılır.
%>% operatörü, bir nesne veya değeri, bir işlevin ilk argümanı olarak alır ve bir sonraki işleve iletir. Bu sayede kodunuzdaki işlem adımlarını daha düzenli hale getirir ve kodunuzun okunabilirliğini artırır.
df %>% describe_all() kullanıldığında, %>% operatörü df veri kümesini describe_all() işlevine zincirler ve veri kümesindeki tüm sütunlar için kapsamlı istatistikler oluşturur.
install.packages("tidyverse")## package 'tidyverse' successfully unpacked and MD5 sums checked
##
## The downloaded binary packages are in
## C:\Users\Hamıdou Souleymanou\AppData\Local\Temp\RtmpcDUg4L\downloaded_packageslibrary(tidyverse)
unemployment_data %>% describe_all()## # A tibble: 5 × 8
## variable type na na_pct unique min mean max
## <chr> <chr> <int> <dbl> <int> <dbl> <dbl> <dbl>
## 1 country chr 0 0 2 NA NA NA
## 2 iso2c chr 0 0 2 NA NA NA
## 3 iso3c chr 0 0 2 NA NA NA
## 4 year int 0 0 33 1990 2006 2022
## 5 SL.UEM.TOTL.ZS dbl 2 3 64 1.82 10.4 26.1Pipe Öperatörü altında kullanan kodlar
Şimdi bu aşamada “unemployment_data$country” kullanarak ek_bilgi “values” oluşturdum.
Sonra da “cross_join” ve “merge” kodları kullanacağız.Çapraz birleştirme (veya Kartezyen birleştirme), veri setlerinin kartezyen çarpımını oluşturan bir birleştirme işlemidir. Bu işlemde, ilk veri setinin her bir satırı, ikinci veri setinin her bir satırıyla birleştirilir, böylece tüm olası kombinasyonlar elde edilir.
R’de, dplyr paketini kullanıyorsanız, özellikle bir cross_join() fonksiyonu bulunmamaktadır. Bunun yerine, birleştirme işlemi için merge() fonksiyonunu kullanarak çapraz birleşim elde edebilirsiniz.
Onları kullanarak “df” ve “df_merged” veri seti oluşturdum
“filter” kodu kullanarak “filter_df” veri seti oluşturdum ve son olarak “describe_all” ile bitirerek R koduyu çalıştırdım
ek_bilgi <- unemployment_data$country
library(dplyr)
filter_df <- unemployment_data %>% filter(country != "spain")
unemployment_data %>% describe_all()## # A tibble: 5 × 8
## variable type na na_pct unique min mean max
## <chr> <chr> <int> <dbl> <int> <dbl> <dbl> <dbl>
## 1 country chr 0 0 2 NA NA NA
## 2 iso2c chr 0 0 2 NA NA NA
## 3 iso3c chr 0 0 2 NA NA NA
## 4 year int 0 0 33 1990 2006 2022
## 5 SL.UEM.TOTL.ZS dbl 2 3 64 1.82 10.4 26.1Burası da “filter” kodu kullanarak her iki ülkenin ayrı veri seti elde ettim. O ayri veri setinden de her ülkenin ayrı grafiği oluşturdum
udch <- unemployment_data %>% filter(iso2c %in% "CH")
udes <- unemployment_data %>% filter(iso2c %in% "ES")ggplot(data = udch, aes(x = year, SL.UEM.TOTL.ZS, color = country )) + geom_line() +
labs(x = "Year", y = "Unemployment Rate (%)", title = "Unemployment Rate of Switzerland")
ggplot(data = udes, aes(x = year, SL.UEM.TOTL.ZS, color = country )) + geom_line() +
labs(x = "Year", y = "Unemployment Rate (%)", title = "Unemployment Rate of Spain")
Başka kodları ve fonksıyonları kullanmak amacıyla bütün ülkelerin verilerini yükleyeceğim
library(WDI)
data_WDI <- WDI(country = "all", indicator = c("SL.UEM.TOTL.ZS", "SP.POP.TOTL"))Unique Kodu
unique() fonksiyonu, R programlama dilinde bir vektörün ya da diğer veri yapılarının (data frame, array vb.) benzersiz (unique) elemanlarını döndürür. Yani aynı elemandan birden fazla varsa, bu elemanları yalnızca bir kez gösterir.
unique_countries <- unique(data_WDI$country)
print(unique_countries)## [1] "Afghanistan"
## [2] "Africa Eastern and Southern"
## [3] "Africa Western and Central"
## [4] "Albania"
## [5] "Algeria"
## [6] "American Samoa"
## [7] "Andorra"
## [8] "Angola"
## [9] "Antigua and Barbuda"
## [10] "Arab World"
## [11] "Argentina"
## [12] "Armenia"
## [13] "Aruba"
## [14] "Australia"
## [15] "Austria"
## [16] "Azerbaijan"
## [17] "Bahamas, The"
## [18] "Bahrain"
## [19] "Bangladesh"
## [20] "Barbados"
## [21] "Belarus"
## [22] "Belgium"
## [23] "Belize"
## [24] "Benin"
## [25] "Bermuda"
## [26] "Bhutan"
## [27] "Bolivia"
## [28] "Bosnia and Herzegovina"
## [29] "Botswana"
## [30] "Brazil"
## [31] "British Virgin Islands"
## [32] "Brunei Darussalam"
## [33] "Bulgaria"
## [34] "Burkina Faso"
## [35] "Burundi"
## [36] "Cabo Verde"
## [37] "Cambodia"
## [38] "Cameroon"
## [39] "Canada"
## [40] "Caribbean small states"
## [41] "Cayman Islands"
## [42] "Central African Republic"
## [43] "Central Europe and the Baltics"
## [44] "Chad"
## [45] "Channel Islands"
## [46] "Chile"
## [47] "China"
## [48] "Colombia"
## [49] "Comoros"
## [50] "Congo, Dem. Rep."
## [51] "Congo, Rep."
## [52] "Costa Rica"
## [53] "Cote d'Ivoire"
## [54] "Croatia"
## [55] "Cuba"
## [56] "Curacao"
## [57] "Cyprus"
## [58] "Czechia"
## [59] "Denmark"
## [60] "Djibouti"
## [61] "Dominica"
## [62] "Dominican Republic"
## [63] "Early-demographic dividend"
## [64] "East Asia & Pacific (excluding high income)"
## [65] "East Asia & Pacific (IDA & IBRD countries)"
## [66] "East Asia & Pacific"
## [67] "Ecuador"
## [68] "Egypt, Arab Rep."
## [69] "El Salvador"
## [70] "Equatorial Guinea"
## [71] "Eritrea"
## [72] "Estonia"
## [73] "Eswatini"
## [74] "Ethiopia"
## [75] "Euro area"
## [76] "Europe & Central Asia (excluding high income)"
## [77] "Europe & Central Asia (IDA & IBRD countries)"
## [78] "Europe & Central Asia"
## [79] "European Union"
## [80] "Faroe Islands"
## [81] "Fiji"
## [82] "Finland"
## [83] "Fragile and conflict affected situations"
## [84] "France"
## [85] "French Polynesia"
## [86] "Gabon"
## [87] "Gambia, The"
## [88] "Georgia"
## [89] "Germany"
## [90] "Ghana"
## [91] "Gibraltar"
## [92] "Greece"
## [93] "Greenland"
## [94] "Grenada"
## [95] "Guam"
## [96] "Guatemala"
## [97] "Guinea-Bissau"
## [98] "Guinea"
## [99] "Guyana"
## [100] "Haiti"
## [101] "Heavily indebted poor countries (HIPC)"
## [102] "High income"
## [103] "Honduras"
## [104] "Hong Kong SAR, China"
## [105] "Hungary"
## [106] "IBRD only"
## [107] "Iceland"
## [108] "IDA & IBRD total"
## [109] "IDA blend"
## [110] "IDA only"
## [111] "IDA total"
## [112] "India"
## [113] "Indonesia"
## [114] "Iran, Islamic Rep."
## [115] "Iraq"
## [116] "Ireland"
## [117] "Isle of Man"
## [118] "Israel"
## [119] "Italy"
## [120] "Jamaica"
## [121] "Japan"
## [122] "Jordan"
## [123] "Kazakhstan"
## [124] "Kenya"
## [125] "Kiribati"
## [126] "Korea, Dem. People's Rep."
## [127] "Korea, Rep."
## [128] "Kosovo"
## [129] "Kuwait"
## [130] "Kyrgyz Republic"
## [131] "Lao PDR"
## [132] "Late-demographic dividend"
## [133] "Latin America & Caribbean (excluding high income)"
## [134] "Latin America & Caribbean"
## [135] "Latin America & the Caribbean (IDA & IBRD countries)"
## [136] "Latvia"
## [137] "Least developed countries: UN classification"
## [138] "Lebanon"
## [139] "Lesotho"
## [140] "Liberia"
## [141] "Libya"
## [142] "Liechtenstein"
## [143] "Lithuania"
## [144] "Low & middle income"
## [145] "Low income"
## [146] "Lower middle income"
## [147] "Luxembourg"
## [148] "Macao SAR, China"
## [149] "Madagascar"
## [150] "Malawi"
## [151] "Malaysia"
## [152] "Maldives"
## [153] "Mali"
## [154] "Malta"
## [155] "Marshall Islands"
## [156] "Mauritania"
## [157] "Mauritius"
## [158] "Mexico"
## [159] "Micronesia, Fed. Sts."
## [160] "Middle East & North Africa (excluding high income)"
## [161] "Middle East & North Africa (IDA & IBRD countries)"
## [162] "Middle East & North Africa"
## [163] "Middle income"
## [164] "Moldova"
## [165] "Monaco"
## [166] "Mongolia"
## [167] "Montenegro"
## [168] "Morocco"
## [169] "Mozambique"
## [170] "Myanmar"
## [171] "Namibia"
## [172] "Nauru"
## [173] "Nepal"
## [174] "Netherlands"
## [175] "New Caledonia"
## [176] "New Zealand"
## [177] "Nicaragua"
## [178] "Niger"
## [179] "Nigeria"
## [180] "North America"
## [181] "North Macedonia"
## [182] "Northern Mariana Islands"
## [183] "Norway"
## [184] "Not classified"
## [185] "OECD members"
## [186] "Oman"
## [187] "Other small states"
## [188] "Pacific island small states"
## [189] "Pakistan"
## [190] "Palau"
## [191] "Panama"
## [192] "Papua New Guinea"
## [193] "Paraguay"
## [194] "Peru"
## [195] "Philippines"
## [196] "Poland"
## [197] "Portugal"
## [198] "Post-demographic dividend"
## [199] "Pre-demographic dividend"
## [200] "Puerto Rico"
## [201] "Qatar"
## [202] "Romania"
## [203] "Russian Federation"
## [204] "Rwanda"
## [205] "Samoa"
## [206] "San Marino"
## [207] "Sao Tome and Principe"
## [208] "Saudi Arabia"
## [209] "Senegal"
## [210] "Serbia"
## [211] "Seychelles"
## [212] "Sierra Leone"
## [213] "Singapore"
## [214] "Sint Maarten (Dutch part)"
## [215] "Slovak Republic"
## [216] "Slovenia"
## [217] "Small states"
## [218] "Solomon Islands"
## [219] "Somalia"
## [220] "South Africa"
## [221] "South Asia (IDA & IBRD)"
## [222] "South Asia"
## [223] "South Sudan"
## [224] "Spain"
## [225] "Sri Lanka"
## [226] "St. Kitts and Nevis"
## [227] "St. Lucia"
## [228] "St. Martin (French part)"
## [229] "St. Vincent and the Grenadines"
## [230] "Sub-Saharan Africa (excluding high income)"
## [231] "Sub-Saharan Africa (IDA & IBRD countries)"
## [232] "Sub-Saharan Africa"
## [233] "Sudan"
## [234] "Suriname"
## [235] "Sweden"
## [236] "Switzerland"
## [237] "Syrian Arab Republic"
## [238] "Tajikistan"
## [239] "Tanzania"
## [240] "Thailand"
## [241] "Timor-Leste"
## [242] "Togo"
## [243] "Tonga"
## [244] "Trinidad and Tobago"
## [245] "Tunisia"
## [246] "Turkiye"
## [247] "Turkmenistan"
## [248] "Turks and Caicos Islands"
## [249] "Tuvalu"
## [250] "Uganda"
## [251] "Ukraine"
## [252] "United Arab Emirates"
## [253] "United Kingdom"
## [254] "United States"
## [255] "Upper middle income"
## [256] "Uruguay"
## [257] "Uzbekistan"
## [258] "Vanuatu"
## [259] "Venezuela, RB"
## [260] "Viet Nam"
## [261] "Virgin Islands (U.S.)"
## [262] "West Bank and Gaza"
## [263] "World"
## [264] "Yemen, Rep."
## [265] "Zambia"
## [266] "Zimbabwe"Kayıp Veri Seti Oluşturma
library(tidyverse)
library(dplyr)
kayıp_veri <- data_WDI %>%
group_by(country) %>%
summarize(missing_count = sum(is.na(SL.UEM.TOTL.ZS)))
print(kayıp_veri)## # A tibble: 266 × 2
## country missing_count
## <chr> <int>
## 1 Afghanistan 31
## 2 Africa Eastern and Southern 31
## 3 Africa Western and Central 31
## 4 Albania 31
## 5 Algeria 31
## 6 American Samoa 63
## 7 Andorra 63
## 8 Angola 31
## 9 Antigua and Barbuda 63
## 10 Arab World 31
## # ℹ 256 more rows2005’den Veri Seti
library(explore)
data_WDI_from2005 <- data_WDI %>%
filter(year>=2005)
data_WDI_from2005 %>% describe_all()## # A tibble: 6 × 8
## variable type na na_pct unique min mean max
## <chr> <chr> <int> <dbl> <int> <dbl> <dbl> <dbl>
## 1 country chr 0 0 266 NA NA NA
## 2 iso2c chr 0 0 266 NA NA NA
## 3 iso3c chr 0 0 262 NA NA NA
## 4 year int 0 0 18 2005 2014. 2022
## 5 SL.UEM.TOTL.ZS dbl 559 11.7 3190 0.1 7.71 37.3
## 6 SP.POP.TOTL dbl 18 0.4 4733 9912 294713198. 795094680150’ten daha olan Kayıp Veri Seti
kayıp_veri_count <- kayıp_veri %>%
filter(missing_count > 50)
print(kayıp_veri_count)## # A tibble: 31 × 2
## country missing_count
## <chr> <int>
## 1 American Samoa 63
## 2 Andorra 63
## 3 Antigua and Barbuda 63
## 4 Aruba 63
## 5 Bermuda 63
## 6 British Virgin Islands 63
## 7 Cayman Islands 63
## 8 Curacao 63
## 9 Dominica 63
## 10 Faroe Islands 63
## # ℹ 21 more rowsJoin Left Kodu
Önceden join_left() çalışmadığı içinbu aşamada yapayım ama merge() kullanarak.
library(dplyr)
Joint_Table <- merge(data_WDI, kayıp_veri)
Joint_Table %>% describe_all()## # A tibble: 7 × 8
## variable type na na_pct unique min mean max
## <chr> <chr> <int> <dbl> <int> <dbl> <dbl> <dbl>
## 1 country chr 0 0 266 NA NA NA
## 2 iso2c chr 0 0 266 NA NA NA
## 3 iso3c chr 0 0 262 NA NA NA
## 4 year int 0 0 63 1960 1991 2022
## 5 SL.UEM.TOTL.ZS dbl 9239 55.1 5218 0.1 7.96 38.8
## 6 SP.POP.TOTL dbl 93 0.6 16460 2646 215959037. 7950946801
## 7 missing_count int 0 0 3 31 34.7 63