ÇİN VE BREZİLYA’NIN GSYH’SINA TARIMIN KATKILARI
JEAN MICHEL KOUAME BROU
2024-02-27
DÜNYADAKİ TARIM VE GIDA POLiTiKALARINA GENEL BAKIŞ
2000’li yılların başından bu yana ve özellikle 2007/08 gıda krizinin ardından, yardımları ayrıştırma yolunda tek başına ilerlemeye devam eden Avrupa Birliği dışında, dünya genelinde tarım ve gıda politikaları güçlendirildi. Burada, OECD tarafından geliştirilen ana göstergeler temelinde, izlenen 23 ülkedeki tarım ve gıda politikalarının değerlendirilmesine olanak tanıyan bir dizi grafik ve ilgili veri kümeleri sunuyoruz. Başlıca yedi tarım üreticisine özellikle dikkat ediliyor: Avustralya, Brezilya, Kanada, Çin, Amerika Birleşik Devletleri, Rusya ve Avrupa Birliği. Tarımsal ve demografik önemi göz önüne alındığında, Hindistan listeye dahil edilmeyi hak edebilirdi ancak OECD, bu ülkenin tarım ve gıda politikalarını, toplanan verilerin genel olarak güvenilir kabul edilemeyecek kadar kısa bir süredir izlemiyor. dönem. Üretici ve tüketicilere yönelik destek miktarlarının ötesinde, piyasa desteği ve farklı doğrudan destek türleri, tarım politikalarının bir tipolojisini çizmek amacıyla birbirinden ayrılmaktadır.Ancak yazımızda sadece ÇİN, BREZİLYA ve FİLDİŞİ SAHİLİ olmak üzere üç ülkeden bahsedeceğiz.
Tarımın Çin GSYİH’sine etkisi
Çin, dünyanın önde gelen tarımsal üretim yapan ülkelerinden biridir: buğday, domuz eti, kümes hayvanları üretiminde lider, mısırda ise 2. üreticidir. Bu nedenle üretimi, güçlü ve ani bir değişim durumunda küresel pazarları etkiliyor. Tarım, GSYİH’nın %7,2’sini temsil ederken (2018), Çin artık tarım-gıda ürünlerinin, özellikle de temel tarım ürünlerinin büyük bir ithalatçısıdır: Çin’in tarım-gıda dengesi 2018’de 41 milyar Euro açık vermişti (ilk açık kalemi, toplam ticaret dengesi fazladır). Bu açık, özellikle yurt içi arzın yanıt vermediği yeme alışkanlıklarındaki değişime (et ürünleri tüketiminin artması) bağlı olarak (özellikle soyada) büyümektedir. Çin tarımı ikili ve geçiş halindedir; üretkenliği orta düzeyde ve üretim maliyetleri yüksektir; bu da ithal ürünlerle fiyat rekabetinde olumsuzluklara yol açmaktadır. Her ne kadar çok büyük yapılar (10.000 inek veya 1.000’den fazla dişi domuzdan oluşan çiftlikler) ve önemli tarımsal-gıda grupları gelişse de, çoğunlukla ortalama 0,6 hektar büyüklüğündeki küçük aile çiftliklerinden ve çok sayıda ve yeterince modernize edilmemiş işleme birimlerinden oluşmaya devam etmektedir. paralel. Bu durumla karşı karşıya kalan yetkililer, proaktif politikalar yoluyla tarım sektörünün yeniden yapılandırılmasını hızlandırıyor, bir dizi kamu yardımını harekete geçiriyor ve hızlı bir yoğunlaşma (hızlandırılmış) yoluyla daha büyük üretim birimlerinin (entegre tarımsal sanayi birimleri, “kooperatifler”) ortaya çıkmasını kolaylaştırıyor. sağlık krizleri nedeniyle) ve aile çiftçiliğinin yeniden yapılandırılması (en büyük sayının ortadan kalkması, daha verimli çiftliklere yoğunlaşılması).
Tarımın Brezilya GSYİH’sine etkisi
Brezilya geniş toprakları2 boyunca büyük bir tarım üreticisidir1; Brezilyalılar kırsal kesimde üretilenin çoğunu tüketmektedir.Her ne kadar kırsal kesimdeki ürünlerin ana varış noktası iç pazar olsa da, Brezilya’nın tarımsal üretimi hala uluslararası talepleri karşılayabilmektedir ve ülke, genellikle “ülke” olarak anılan, dünyanın en büyük tarım ürünleri üreticisi ve ihracatçıları arasında yer almaktadır. dünyanın tavan arası”. Tarım ürünleri üretimi ve ihracatının en az önümüzdeki on yıl boyunca istikrarlı bir şekilde artmaya devam etmesi ve yurt içinde üretilen ürünlerin büyük kısmının yurt içinde tüketilmesinin devam etmesi bekleniyor.Brezilya’da tarım, ülkenin GSYH’sinin (Gayri Safi Yurtiçi Hasıla)1 yalnızca %5’ini temsil ediyor, ancak tarım-gıda endüstrisi GSMH’nın 1/4’ünü ve ihracatın2 %40’ını temsil ediyor. Brezilya’nın bu bitkinin dünyanın en büyük ihracatçılarından biri olduğu soya veya şeker kamışı (özellikle etanol için kullanılır) gibi belirli ticari ürünler, özellikle demokratik geçiş sırasında 1980’lerde başlatılan tarımın modernizasyonundan bu yana patlama yaşıyor.
## country iso2c iso3c year NV.AGR.TOTL.ZS
## 1 Brazil BR BRA 2022 6.813182
## 2 Brazil BR BRA 2021 7.486922
## 3 Brazil BR BRA 2020 5.711485
## 4 Brazil BR BRA 2019 4.205014
## 5 Brazil BR BRA 2018 4.420399
## 6 Brazil BR BRA 2017 4.600592
## 7 Brazil BR BRA 2016 4.891354
## 8 Brazil BR BRA 2015 4.319149
## 9 China CN CHN 2022 7.299999
## 10 China CN CHN 2021 7.241017
## 11 China CN CHN 2020 7.698643
## 12 China CN CHN 2019 7.143690
## 13 China CN CHN 2018 7.043020
## 14 China CN CHN 2017 7.463565
## 15 China CN CHN 2016 8.057288
## 16 China CN CHN 2015 8.387015DÜNYA BANKASI VERİLERİ
Yukarıda gördüğünüz veriler, Dünya Bankası’nın ÇİN ve BREZİLYA’da tarımın GSYH’ye katkısına ilişkin 2015-2022 yılları arasındaki rakamlarıdır.
library(ggplot2)
ggplot(data = donnees_pib_agriculture, aes(x = year, y = NV.AGR.TOTL.ZS, color = country)) +
geom_line() +
labs(title = "PIB de l'agriculture (2018-2024)",
x = "Annee",
y = "PIB de l'agriculture (%)")
Note that the echo = FALSE parameter was added to the
code chunk to prevent printing of the R code that generated the
plot.
PAKETLER
R Studio paketleri, R programlama dilinde işlevsellik eklemek için kullanılan birimlerdir. Bu paketler, çeşitli amaçlar için kod parçaları, veri setleri ve belgeler içerebilir ve R’ın yeteneklerini genişletebilir. Veri analizi, istatistiksel analiz, veri görselleştirme, makine öğrenimi, belgeleme, web kazıma ve daha pek çok alanda paketler bulunmaktadır. Paketler, install.packages() fonksiyonuyla yüklenebilir ve library() fonksiyonuyla yüklendikten sonra kullanılabilir.
Str Kodu
str kodu, R programlama dilinde kullanılan bir fonksiyondur. Bu fonksiyon, bir nesnenin (örneğin, bir veri çerçevesi veya bir list) yapısını ve içeriğini özetler. str fonksiyonu, nesnenin içerdiği değişkenlerin türlerini, uzunluklarını ve içeriklerini gösterir. Özetleme işlemi, nesnenin büyüklüğüne bağlı olarak ayrıntılı olabilir. Küçük nesneler için, str sadece değişkenlerin adlarını, türlerini ve birkaç örnek değeri gösterebilir. Ancak daha büyük nesneler için, str daha ayrıntılı bir çıktı sağlar, tüm değişkenlerin adlarını ve türlerini, uzunluklarını ve daha fazla örnek değerlerini gösterebilir.
str(donnees_pib_agriculture)## 'data.frame': 16 obs. of 5 variables:
## $ country : chr "Brazil" "Brazil" "Brazil" "Brazil" ...
## $ iso2c : chr "BR" "BR" "BR" "BR" ...
## $ iso3c : chr "BRA" "BRA" "BRA" "BRA" ...
## $ year : int 2022 2021 2020 2019 2018 2017 2016 2015 2022 2021 ...
## $ NV.AGR.TOTL.ZS: num 6.81 7.49 5.71 4.21 4.42 ...
## ..- attr(*, "label")= chr "Agriculture, forestry, and fishing, value added (% of GDP)"
## - attr(*, "lastupdated")= chr "2024-03-28"
## - attr(*, "label")= chr [1:16] "Agriculture, forestry, and fishing, value added (% of GDP)" "Agriculture, forestry, and fishing, value added (% of GDP)" "Agriculture, forestry, and fishing, value added (% of GDP)" "Agriculture, forestry, and fishing, value added (% of GDP)" ...Explore Paketi
“explore” paketi, R programlama dili için bir veri keşif aracıdır. Bu paket, veri analizinde kullanılan yaygın görselleştirmeleri ve özet istatistiklerini sağlar. Veri setlerini hızlı bir şekilde gözden geçirmek, temel istatistiklerini incelemek ve veri setlerinin yapısal özelliklerini anlamak için kullanılır. Görselleştirmeler, özet istatistikler ve veri keşfi araçları ile kullanıcıya veri analizi için hızlı bir başlangıç sağlar.
chooseCRANmirror(ind = 63)“choose CRAN mirror” ifadesi, R kullanıcılarının bir CRAN aynasını seçmelerini sağlayan bir işlemi ifade eder. Bu seçim, R paketlerini indirme ve güncelleme işlemleri için önemlidir.
install.packages("explore")## Installation du package dans 'C:/Users/User/AppData/Local/R/win-library/4.3'
## (car 'lib' n'est pas spécifié)## le package 'explore' a été décompressé et les sommes MD5 ont été vérifiées avec succés
##
## Les packages binaires téléchargés sont dans
## C:\Users\Public\Documents\Wondershare\CreatorTemp\Rtmp0op8YD\downloaded_packageslibrary(explore)
describe_all(donnees_pib_agriculture)## # 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 8 2015 2018. 2022
## 5 NV.AGR.TOTL.ZS dbl 0 0 16 4.21 6.42 8.39Pipe operatörü %>%
Pipe operatörü (%>%) R programlama dilinde yaygın olarak kullanılan bir operatördür. Bu operatör, bir fonksiyonun çıktısını bir sonraki fonksiyonun girişine iletmek için kullanılır. Bu, kodunuzu daha okunabilir ve modüler hale getirir.
Pipe operatörünün ana avantajı, uzun zincirler oluşturmak zorunda kalmadan ara adımları belirlemek ve okunabilir kod yazmaktır. Özellikle, veri analizi ve veri manipülasyonu gibi işlemlerde kullanışlıdır.
install.packages("tidyverse")## Installation du package dans 'C:/Users/User/AppData/Local/R/win-library/4.3'
## (car 'lib' n'est pas spécifié)## le package 'tidyverse' a été décompressé et les sommes MD5 ont été vérifiées avec succés
##
## Les packages binaires téléchargés sont dans
## C:\Users\Public\Documents\Wondershare\CreatorTemp\Rtmp0op8YD\downloaded_packagesinstall.packages("dplyr")## Installation du package dans 'C:/Users/User/AppData/Local/R/win-library/4.3'
## (car 'lib' n'est pas spécifié)## le package 'dplyr' a été décompressé et les sommes MD5 ont été vérifiées avec succés## Warning: impossible de supprimer l'installation précédente du package 'dplyr'## Warning in file.copy(savedcopy, lib, recursive = TRUE): problème lors de la
## copie de
## C:\Users\User\AppData\Local\R\win-library\4.3\00LOCK\dplyr\libs\x64\dplyr.dll
## vers C:\Users\User\AppData\Local\R\win-library\4.3\dplyr\libs\x64\dplyr.dll:
## Permission denied## Warning: 'dplyr' restauré##
## Les packages binaires téléchargés sont dans
## C:\Users\Public\Documents\Wondershare\CreatorTemp\Rtmp0op8YD\downloaded_packagesinstall.packages("skimr")## Installation du package dans 'C:/Users/User/AppData/Local/R/win-library/4.3'
## (car 'lib' n'est pas spécifié)## le package 'skimr' a été décompressé et les sommes MD5 ont été vérifiées avec succés
##
## Les packages binaires téléchargés sont dans
## C:\Users\Public\Documents\Wondershare\CreatorTemp\Rtmp0op8YD\downloaded_packageslibrary(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ lubridate 1.9.3 ✔ tibble 3.2.1
## ✔ purrr 1.0.2 ✔ tidyr 1.3.1## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(dplyr)
library(skimr)
donnees_pib_agriculture %>% skim()| Name | Piped data |
| Number of rows | 16 |
| Number of columns | 5 |
| _______________________ | |
| Column type frequency: | |
| character | 3 |
| numeric | 2 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| country | 0 | 1 | 5 | 6 | 0 | 2 | 0 |
| iso2c | 0 | 1 | 2 | 2 | 0 | 2 | 0 |
| iso3c | 0 | 1 | 3 | 3 | 0 | 2 | 0 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| year | 0 | 1 | 2018.50 | 2.37 | 2015.00 | 2016.75 | 2018.50 | 2020.25 | 2022.00 | ▇▃▇▃▇ |
| NV.AGR.TOTL.ZS | 0 | 1 | 6.42 | 1.47 | 4.21 | 4.82 | 7.09 | 7.47 | 8.39 | ▆▁▁▇▃ |
ek_bilgi <- donnees_pib_agriculture$countrylibrary(dplyr)
df <- merge(donnees_pib_agriculture, ek_bilgi)
print(df)## country iso2c iso3c year NV.AGR.TOTL.ZS y
## 1 Brazil BR BRA 2022 6.813182 Brazil
## 2 Brazil BR BRA 2021 7.486922 Brazil
## 3 Brazil BR BRA 2020 5.711485 Brazil
## 4 Brazil BR BRA 2019 4.205014 Brazil
## 5 Brazil BR BRA 2018 4.420399 Brazil
## 6 Brazil BR BRA 2017 4.600592 Brazil
## 7 Brazil BR BRA 2016 4.891354 Brazil
## 8 Brazil BR BRA 2015 4.319149 Brazil
## 9 China CN CHN 2022 7.299999 Brazil
## 10 China CN CHN 2021 7.241017 Brazil
## 11 China CN CHN 2020 7.698643 Brazil
## 12 China CN CHN 2019 7.143690 Brazil
## 13 China CN CHN 2018 7.043020 Brazil
## 14 China CN CHN 2017 7.463565 Brazil
## 15 China CN CHN 2016 8.057288 Brazil
## 16 China CN CHN 2015 8.387015 Brazil
## 17 Brazil BR BRA 2022 6.813182 Brazil
## 18 Brazil BR BRA 2021 7.486922 Brazil
## 19 Brazil BR BRA 2020 5.711485 Brazil
## 20 Brazil BR BRA 2019 4.205014 Brazil
## 21 Brazil BR BRA 2018 4.420399 Brazil
## 22 Brazil BR BRA 2017 4.600592 Brazil
## 23 Brazil BR BRA 2016 4.891354 Brazil
## 24 Brazil BR BRA 2015 4.319149 Brazil
## 25 China CN CHN 2022 7.299999 Brazil
## 26 China CN CHN 2021 7.241017 Brazil
## 27 China CN CHN 2020 7.698643 Brazil
## 28 China CN CHN 2019 7.143690 Brazil
## 29 China CN CHN 2018 7.043020 Brazil
## 30 China CN CHN 2017 7.463565 Brazil
## 31 China CN CHN 2016 8.057288 Brazil
## 32 China CN CHN 2015 8.387015 Brazil
## 33 Brazil BR BRA 2022 6.813182 Brazil
## 34 Brazil BR BRA 2021 7.486922 Brazil
## 35 Brazil BR BRA 2020 5.711485 Brazil
## 36 Brazil BR BRA 2019 4.205014 Brazil
## 37 Brazil BR BRA 2018 4.420399 Brazil
## 38 Brazil BR BRA 2017 4.600592 Brazil
## 39 Brazil BR BRA 2016 4.891354 Brazil
## 40 Brazil BR BRA 2015 4.319149 Brazil
## 41 China CN CHN 2022 7.299999 Brazil
## 42 China CN CHN 2021 7.241017 Brazil
## 43 China CN CHN 2020 7.698643 Brazil
## 44 China CN CHN 2019 7.143690 Brazil
## 45 China CN CHN 2018 7.043020 Brazil
## 46 China CN CHN 2017 7.463565 Brazil
## 47 China CN CHN 2016 8.057288 Brazil
## 48 China CN CHN 2015 8.387015 Brazil
## 49 Brazil BR BRA 2022 6.813182 Brazil
## 50 Brazil BR BRA 2021 7.486922 Brazil
## 51 Brazil BR BRA 2020 5.711485 Brazil
## 52 Brazil BR BRA 2019 4.205014 Brazil
## 53 Brazil BR BRA 2018 4.420399 Brazil
## 54 Brazil BR BRA 2017 4.600592 Brazil
## 55 Brazil BR BRA 2016 4.891354 Brazil
## 56 Brazil BR BRA 2015 4.319149 Brazil
## 57 China CN CHN 2022 7.299999 Brazil
## 58 China CN CHN 2021 7.241017 Brazil
## 59 China CN CHN 2020 7.698643 Brazil
## 60 China CN CHN 2019 7.143690 Brazil
## 61 China CN CHN 2018 7.043020 Brazil
## 62 China CN CHN 2017 7.463565 Brazil
## 63 China CN CHN 2016 8.057288 Brazil
## 64 China CN CHN 2015 8.387015 Brazil
## 65 Brazil BR BRA 2022 6.813182 Brazil
## 66 Brazil BR BRA 2021 7.486922 Brazil
## 67 Brazil BR BRA 2020 5.711485 Brazil
## 68 Brazil BR BRA 2019 4.205014 Brazil
## 69 Brazil BR BRA 2018 4.420399 Brazil
## 70 Brazil BR BRA 2017 4.600592 Brazil
## 71 Brazil BR BRA 2016 4.891354 Brazil
## 72 Brazil BR BRA 2015 4.319149 Brazil
## 73 China CN CHN 2022 7.299999 Brazil
## 74 China CN CHN 2021 7.241017 Brazil
## 75 China CN CHN 2020 7.698643 Brazil
## 76 China CN CHN 2019 7.143690 Brazil
## 77 China CN CHN 2018 7.043020 Brazil
## 78 China CN CHN 2017 7.463565 Brazil
## 79 China CN CHN 2016 8.057288 Brazil
## 80 China CN CHN 2015 8.387015 Brazil
## 81 Brazil BR BRA 2022 6.813182 Brazil
## 82 Brazil BR BRA 2021 7.486922 Brazil
## 83 Brazil BR BRA 2020 5.711485 Brazil
## 84 Brazil BR BRA 2019 4.205014 Brazil
## 85 Brazil BR BRA 2018 4.420399 Brazil
## 86 Brazil BR BRA 2017 4.600592 Brazil
## 87 Brazil BR BRA 2016 4.891354 Brazil
## 88 Brazil BR BRA 2015 4.319149 Brazil
## 89 China CN CHN 2022 7.299999 Brazil
## 90 China CN CHN 2021 7.241017 Brazil
## 91 China CN CHN 2020 7.698643 Brazil
## 92 China CN CHN 2019 7.143690 Brazil
## 93 China CN CHN 2018 7.043020 Brazil
## 94 China CN CHN 2017 7.463565 Brazil
## 95 China CN CHN 2016 8.057288 Brazil
## 96 China CN CHN 2015 8.387015 Brazil
## 97 Brazil BR BRA 2022 6.813182 Brazil
## 98 Brazil BR BRA 2021 7.486922 Brazil
## 99 Brazil BR BRA 2020 5.711485 Brazil
## 100 Brazil BR BRA 2019 4.205014 Brazil
## 101 Brazil BR BRA 2018 4.420399 Brazil
## 102 Brazil BR BRA 2017 4.600592 Brazil
## 103 Brazil BR BRA 2016 4.891354 Brazil
## 104 Brazil BR BRA 2015 4.319149 Brazil
## 105 China CN CHN 2022 7.299999 Brazil
## 106 China CN CHN 2021 7.241017 Brazil
## 107 China CN CHN 2020 7.698643 Brazil
## 108 China CN CHN 2019 7.143690 Brazil
## 109 China CN CHN 2018 7.043020 Brazil
## 110 China CN CHN 2017 7.463565 Brazil
## 111 China CN CHN 2016 8.057288 Brazil
## 112 China CN CHN 2015 8.387015 Brazil
## 113 Brazil BR BRA 2022 6.813182 Brazil
## 114 Brazil BR BRA 2021 7.486922 Brazil
## 115 Brazil BR BRA 2020 5.711485 Brazil
## 116 Brazil BR BRA 2019 4.205014 Brazil
## 117 Brazil BR BRA 2018 4.420399 Brazil
## 118 Brazil BR BRA 2017 4.600592 Brazil
## 119 Brazil BR BRA 2016 4.891354 Brazil
## 120 Brazil BR BRA 2015 4.319149 Brazil
## 121 China CN CHN 2022 7.299999 Brazil
## 122 China CN CHN 2021 7.241017 Brazil
## 123 China CN CHN 2020 7.698643 Brazil
## 124 China CN CHN 2019 7.143690 Brazil
## 125 China CN CHN 2018 7.043020 Brazil
## 126 China CN CHN 2017 7.463565 Brazil
## 127 China CN CHN 2016 8.057288 Brazil
## 128 China CN CHN 2015 8.387015 Brazil
## 129 Brazil BR BRA 2022 6.813182 China
## 130 Brazil BR BRA 2021 7.486922 China
## 131 Brazil BR BRA 2020 5.711485 China
## 132 Brazil BR BRA 2019 4.205014 China
## 133 Brazil BR BRA 2018 4.420399 China
## 134 Brazil BR BRA 2017 4.600592 China
## 135 Brazil BR BRA 2016 4.891354 China
## 136 Brazil BR BRA 2015 4.319149 China
## 137 China CN CHN 2022 7.299999 China
## 138 China CN CHN 2021 7.241017 China
## 139 China CN CHN 2020 7.698643 China
## 140 China CN CHN 2019 7.143690 China
## 141 China CN CHN 2018 7.043020 China
## 142 China CN CHN 2017 7.463565 China
## 143 China CN CHN 2016 8.057288 China
## 144 China CN CHN 2015 8.387015 China
## 145 Brazil BR BRA 2022 6.813182 China
## 146 Brazil BR BRA 2021 7.486922 China
## 147 Brazil BR BRA 2020 5.711485 China
## 148 Brazil BR BRA 2019 4.205014 China
## 149 Brazil BR BRA 2018 4.420399 China
## 150 Brazil BR BRA 2017 4.600592 China
## 151 Brazil BR BRA 2016 4.891354 China
## 152 Brazil BR BRA 2015 4.319149 China
## 153 China CN CHN 2022 7.299999 China
## 154 China CN CHN 2021 7.241017 China
## 155 China CN CHN 2020 7.698643 China
## 156 China CN CHN 2019 7.143690 China
## 157 China CN CHN 2018 7.043020 China
## 158 China CN CHN 2017 7.463565 China
## 159 China CN CHN 2016 8.057288 China
## 160 China CN CHN 2015 8.387015 China
## 161 Brazil BR BRA 2022 6.813182 China
## 162 Brazil BR BRA 2021 7.486922 China
## 163 Brazil BR BRA 2020 5.711485 China
## 164 Brazil BR BRA 2019 4.205014 China
## 165 Brazil BR BRA 2018 4.420399 China
## 166 Brazil BR BRA 2017 4.600592 China
## 167 Brazil BR BRA 2016 4.891354 China
## 168 Brazil BR BRA 2015 4.319149 China
## 169 China CN CHN 2022 7.299999 China
## 170 China CN CHN 2021 7.241017 China
## 171 China CN CHN 2020 7.698643 China
## 172 China CN CHN 2019 7.143690 China
## 173 China CN CHN 2018 7.043020 China
## 174 China CN CHN 2017 7.463565 China
## 175 China CN CHN 2016 8.057288 China
## 176 China CN CHN 2015 8.387015 China
## 177 Brazil BR BRA 2022 6.813182 China
## 178 Brazil BR BRA 2021 7.486922 China
## 179 Brazil BR BRA 2020 5.711485 China
## 180 Brazil BR BRA 2019 4.205014 China
## 181 Brazil BR BRA 2018 4.420399 China
## 182 Brazil BR BRA 2017 4.600592 China
## 183 Brazil BR BRA 2016 4.891354 China
## 184 Brazil BR BRA 2015 4.319149 China
## 185 China CN CHN 2022 7.299999 China
## 186 China CN CHN 2021 7.241017 China
## 187 China CN CHN 2020 7.698643 China
## 188 China CN CHN 2019 7.143690 China
## 189 China CN CHN 2018 7.043020 China
## 190 China CN CHN 2017 7.463565 China
## 191 China CN CHN 2016 8.057288 China
## 192 China CN CHN 2015 8.387015 China
## 193 Brazil BR BRA 2022 6.813182 China
## 194 Brazil BR BRA 2021 7.486922 China
## 195 Brazil BR BRA 2020 5.711485 China
## 196 Brazil BR BRA 2019 4.205014 China
## 197 Brazil BR BRA 2018 4.420399 China
## 198 Brazil BR BRA 2017 4.600592 China
## 199 Brazil BR BRA 2016 4.891354 China
## 200 Brazil BR BRA 2015 4.319149 China
## 201 China CN CHN 2022 7.299999 China
## 202 China CN CHN 2021 7.241017 China
## 203 China CN CHN 2020 7.698643 China
## 204 China CN CHN 2019 7.143690 China
## 205 China CN CHN 2018 7.043020 China
## 206 China CN CHN 2017 7.463565 China
## 207 China CN CHN 2016 8.057288 China
## 208 China CN CHN 2015 8.387015 China
## 209 Brazil BR BRA 2022 6.813182 China
## 210 Brazil BR BRA 2021 7.486922 China
## 211 Brazil BR BRA 2020 5.711485 China
## 212 Brazil BR BRA 2019 4.205014 China
## 213 Brazil BR BRA 2018 4.420399 China
## 214 Brazil BR BRA 2017 4.600592 China
## 215 Brazil BR BRA 2016 4.891354 China
## 216 Brazil BR BRA 2015 4.319149 China
## 217 China CN CHN 2022 7.299999 China
## 218 China CN CHN 2021 7.241017 China
## 219 China CN CHN 2020 7.698643 China
## 220 China CN CHN 2019 7.143690 China
## 221 China CN CHN 2018 7.043020 China
## 222 China CN CHN 2017 7.463565 China
## 223 China CN CHN 2016 8.057288 China
## 224 China CN CHN 2015 8.387015 China
## 225 Brazil BR BRA 2022 6.813182 China
## 226 Brazil BR BRA 2021 7.486922 China
## 227 Brazil BR BRA 2020 5.711485 China
## 228 Brazil BR BRA 2019 4.205014 China
## 229 Brazil BR BRA 2018 4.420399 China
## 230 Brazil BR BRA 2017 4.600592 China
## 231 Brazil BR BRA 2016 4.891354 China
## 232 Brazil BR BRA 2015 4.319149 China
## 233 China CN CHN 2022 7.299999 China
## 234 China CN CHN 2021 7.241017 China
## 235 China CN CHN 2020 7.698643 China
## 236 China CN CHN 2019 7.143690 China
## 237 China CN CHN 2018 7.043020 China
## 238 China CN CHN 2017 7.463565 China
## 239 China CN CHN 2016 8.057288 China
## 240 China CN CHN 2015 8.387015 China
## 241 Brazil BR BRA 2022 6.813182 China
## 242 Brazil BR BRA 2021 7.486922 China
## 243 Brazil BR BRA 2020 5.711485 China
## 244 Brazil BR BRA 2019 4.205014 China
## 245 Brazil BR BRA 2018 4.420399 China
## 246 Brazil BR BRA 2017 4.600592 China
## 247 Brazil BR BRA 2016 4.891354 China
## 248 Brazil BR BRA 2015 4.319149 China
## 249 China CN CHN 2022 7.299999 China
## 250 China CN CHN 2021 7.241017 China
## 251 China CN CHN 2020 7.698643 China
## 252 China CN CHN 2019 7.143690 China
## 253 China CN CHN 2018 7.043020 China
## 254 China CN CHN 2017 7.463565 China
## 255 China CN CHN 2016 8.057288 China
## 256 China CN CHN 2015 8.387015 Chinadff <- df %>% filter(iso2c != "BR")
print(dff)## country iso2c iso3c year NV.AGR.TOTL.ZS y
## 1 China CN CHN 2022 7.299999 Brazil
## 2 China CN CHN 2021 7.241017 Brazil
## 3 China CN CHN 2020 7.698643 Brazil
## 4 China CN CHN 2019 7.143690 Brazil
## 5 China CN CHN 2018 7.043020 Brazil
## 6 China CN CHN 2017 7.463565 Brazil
## 7 China CN CHN 2016 8.057288 Brazil
## 8 China CN CHN 2015 8.387015 Brazil
## 9 China CN CHN 2022 7.299999 Brazil
## 10 China CN CHN 2021 7.241017 Brazil
## 11 China CN CHN 2020 7.698643 Brazil
## 12 China CN CHN 2019 7.143690 Brazil
## 13 China CN CHN 2018 7.043020 Brazil
## 14 China CN CHN 2017 7.463565 Brazil
## 15 China CN CHN 2016 8.057288 Brazil
## 16 China CN CHN 2015 8.387015 Brazil
## 17 China CN CHN 2022 7.299999 Brazil
## 18 China CN CHN 2021 7.241017 Brazil
## 19 China CN CHN 2020 7.698643 Brazil
## 20 China CN CHN 2019 7.143690 Brazil
## 21 China CN CHN 2018 7.043020 Brazil
## 22 China CN CHN 2017 7.463565 Brazil
## 23 China CN CHN 2016 8.057288 Brazil
## 24 China CN CHN 2015 8.387015 Brazil
## 25 China CN CHN 2022 7.299999 Brazil
## 26 China CN CHN 2021 7.241017 Brazil
## 27 China CN CHN 2020 7.698643 Brazil
## 28 China CN CHN 2019 7.143690 Brazil
## 29 China CN CHN 2018 7.043020 Brazil
## 30 China CN CHN 2017 7.463565 Brazil
## 31 China CN CHN 2016 8.057288 Brazil
## 32 China CN CHN 2015 8.387015 Brazil
## 33 China CN CHN 2022 7.299999 Brazil
## 34 China CN CHN 2021 7.241017 Brazil
## 35 China CN CHN 2020 7.698643 Brazil
## 36 China CN CHN 2019 7.143690 Brazil
## 37 China CN CHN 2018 7.043020 Brazil
## 38 China CN CHN 2017 7.463565 Brazil
## 39 China CN CHN 2016 8.057288 Brazil
## 40 China CN CHN 2015 8.387015 Brazil
## 41 China CN CHN 2022 7.299999 Brazil
## 42 China CN CHN 2021 7.241017 Brazil
## 43 China CN CHN 2020 7.698643 Brazil
## 44 China CN CHN 2019 7.143690 Brazil
## 45 China CN CHN 2018 7.043020 Brazil
## 46 China CN CHN 2017 7.463565 Brazil
## 47 China CN CHN 2016 8.057288 Brazil
## 48 China CN CHN 2015 8.387015 Brazil
## 49 China CN CHN 2022 7.299999 Brazil
## 50 China CN CHN 2021 7.241017 Brazil
## 51 China CN CHN 2020 7.698643 Brazil
## 52 China CN CHN 2019 7.143690 Brazil
## 53 China CN CHN 2018 7.043020 Brazil
## 54 China CN CHN 2017 7.463565 Brazil
## 55 China CN CHN 2016 8.057288 Brazil
## 56 China CN CHN 2015 8.387015 Brazil
## 57 China CN CHN 2022 7.299999 Brazil
## 58 China CN CHN 2021 7.241017 Brazil
## 59 China CN CHN 2020 7.698643 Brazil
## 60 China CN CHN 2019 7.143690 Brazil
## 61 China CN CHN 2018 7.043020 Brazil
## 62 China CN CHN 2017 7.463565 Brazil
## 63 China CN CHN 2016 8.057288 Brazil
## 64 China CN CHN 2015 8.387015 Brazil
## 65 China CN CHN 2022 7.299999 China
## 66 China CN CHN 2021 7.241017 China
## 67 China CN CHN 2020 7.698643 China
## 68 China CN CHN 2019 7.143690 China
## 69 China CN CHN 2018 7.043020 China
## 70 China CN CHN 2017 7.463565 China
## 71 China CN CHN 2016 8.057288 China
## 72 China CN CHN 2015 8.387015 China
## 73 China CN CHN 2022 7.299999 China
## 74 China CN CHN 2021 7.241017 China
## 75 China CN CHN 2020 7.698643 China
## 76 China CN CHN 2019 7.143690 China
## 77 China CN CHN 2018 7.043020 China
## 78 China CN CHN 2017 7.463565 China
## 79 China CN CHN 2016 8.057288 China
## 80 China CN CHN 2015 8.387015 China
## 81 China CN CHN 2022 7.299999 China
## 82 China CN CHN 2021 7.241017 China
## 83 China CN CHN 2020 7.698643 China
## 84 China CN CHN 2019 7.143690 China
## 85 China CN CHN 2018 7.043020 China
## 86 China CN CHN 2017 7.463565 China
## 87 China CN CHN 2016 8.057288 China
## 88 China CN CHN 2015 8.387015 China
## 89 China CN CHN 2022 7.299999 China
## 90 China CN CHN 2021 7.241017 China
## 91 China CN CHN 2020 7.698643 China
## 92 China CN CHN 2019 7.143690 China
## 93 China CN CHN 2018 7.043020 China
## 94 China CN CHN 2017 7.463565 China
## 95 China CN CHN 2016 8.057288 China
## 96 China CN CHN 2015 8.387015 China
## 97 China CN CHN 2022 7.299999 China
## 98 China CN CHN 2021 7.241017 China
## 99 China CN CHN 2020 7.698643 China
## 100 China CN CHN 2019 7.143690 China
## 101 China CN CHN 2018 7.043020 China
## 102 China CN CHN 2017 7.463565 China
## 103 China CN CHN 2016 8.057288 China
## 104 China CN CHN 2015 8.387015 China
## 105 China CN CHN 2022 7.299999 China
## 106 China CN CHN 2021 7.241017 China
## 107 China CN CHN 2020 7.698643 China
## 108 China CN CHN 2019 7.143690 China
## 109 China CN CHN 2018 7.043020 China
## 110 China CN CHN 2017 7.463565 China
## 111 China CN CHN 2016 8.057288 China
## 112 China CN CHN 2015 8.387015 China
## 113 China CN CHN 2022 7.299999 China
## 114 China CN CHN 2021 7.241017 China
## 115 China CN CHN 2020 7.698643 China
## 116 China CN CHN 2019 7.143690 China
## 117 China CN CHN 2018 7.043020 China
## 118 China CN CHN 2017 7.463565 China
## 119 China CN CHN 2016 8.057288 China
## 120 China CN CHN 2015 8.387015 China
## 121 China CN CHN 2022 7.299999 China
## 122 China CN CHN 2021 7.241017 China
## 123 China CN CHN 2020 7.698643 China
## 124 China CN CHN 2019 7.143690 China
## 125 China CN CHN 2018 7.043020 China
## 126 China CN CHN 2017 7.463565 China
## 127 China CN CHN 2016 8.057288 China
## 128 China CN CHN 2015 8.387015 Chinalibrary(ggplot2)
ggplot(data = dff, aes(x = year, y = NV.AGR.TOTL.ZS, color = country)) +
geom_line() +
labs(title = "PIB de l'agriculture (2018-2024)",
x = "Annee",
y = "PIB de l'agriculture (%)")
library(WDI)
data_WDI <- WDI(country = "all", indicator = c("NY.GDP.MKTP.CD", "SP.POP.TOTL"))Unique kodu
unique() fonksiyonu, bir vektörde veya veri çerçevesindeki benzersiz değerleri döndüren bir fonksiyondur. Bu fonksiyon, veri analizi ve veri manipülasyonunda sıkça kullanılır ve bir değişkenin içindeki tekil değerleri görmek veya filtrelemek için kullanılabilir.
countries <- unique(data_WDI$country)
print(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"KAYIP VERİ
Kayıp veri, bir veri setinde eksik veya boş değerlere sahip olan gözlemlerdir. Eksik veriler, veri toplama veya kayıt sürecinde meydana gelebilir ve analiz sürecini etkileyebilir. Eksik verilerle başa çıkmak için çeşitli stratejiler vardır, bunlar eksik değerleri kaldırmak, değer atamak, model tabanlı impute yapmak veya çoklu imputasyon kullanmak gibi yöntemlerdir. Kayıp verilerle etkili bir şekilde başa çıkmak, analiz sonuçlarının güvenilirliğini artırabilir ve yanıltıcı sonuçlardan kaçınmanıza yardımcı olabilir. Bu nedenle, eksik verilerin nedenlerini anlamak ve uygun stratejileri kullanarak bunlarla başa çıkmak önemlidir.
library(tidyverse)
library(dplyr)
missing_data_count <- data_WDI %>%
group_by(country) %>%
summarize(missing_count = sum(is.na(SP.POP.TOTL)), .groups = 'drop')
print(missing_data_count)## # A tibble: 266 × 2
## country missing_count
## <chr> <int>
## 1 Afghanistan 1
## 2 Africa Eastern and Southern 1
## 3 Africa Western and Central 1
## 4 Albania 1
## 5 Algeria 1
## 6 American Samoa 1
## 7 Andorra 1
## 8 Angola 1
## 9 Antigua and Barbuda 1
## 10 Arab World 1
## # ℹ 256 more rowsdata <- missing_data_count %>%
filter(missing_count > 5)
print(data)## # A tibble: 2 × 2
## country missing_count
## <chr> <int>
## 1 Not classified 64
## 2 West Bank and Gaza 31SENE SECİMİ
“Sene seçimi”, genellikle bir veri setinde belirli bir zaman aralığını veya yılı seçmek veya odaklanmak anlamına gelir. Veri analizi veya raporlama süreçlerinde, belirli bir zaman dilimine veya yıla odaklanmak genellikle önemlidir çünkü veri setlerindeki trendleri veya değişiklikleri anlamak için zaman boyutu önemlidir.
donnees_filtrees <- data_WDI %>%
filter(year == 2022)ggplot(donnees_filtrees,aes(x=SP.POP.TOTL , y= NY.GDP.MKTP.CD, label = iso2c)) +
geom_point() +
geom_text()## Warning: Removed 24 rows containing missing values or values outside the scale range
## (`geom_point()`).## Warning: Removed 24 rows containing missing values or values outside the scale range
## (`geom_text()`).
donnees_filtrees_mmi <- donnees_filtrees %>% filter(iso2c !="CN")donnees_filtrees_mmi <- donnees_filtrees_mmi %>% filter(iso2c !="BR")ggplot(donnees_filtrees, aes( x=SP.POP.TOTL , y= NY.GDP.MKTP.CD, label = iso2c)) +
geom_point() +
geom_text()## Warning: Removed 24 rows containing missing values or values outside the scale range
## (`geom_point()`).## Warning: Removed 24 rows containing missing values or values outside the scale range
## (`geom_text()`).
donnees_filtrees_mmi <- donnees_filtrees %>% filter(iso2c !="BR")donnees_filtrees_mmi <- donnees_filtrees_mmi %>% filter(iso2c !="CN")donnees_filtrees_mmiabra <- donnees_filtrees_mmi %>% filter(iso2c !="AD")ggplot(donnees_filtrees_mmi, aes(x=SP.POP.TOTL , y= NY.GDP.MKTP.CD, label = iso2c, colours =
'region')) +
geom_point() +
geom_text()## Warning: Removed 24 rows containing missing values or values outside the scale range
## (`geom_point()`).## Warning: Removed 24 rows containing missing values or values outside the scale range
## (`geom_text()`).
Dunya tarim toplam verisi toplam olusturum
“Dünya tarım toplam verisi”, genellikle dünya genelinde tarım sektörüyle ilgili çeşitli istatistikleri veya verileri ifade eder. Bu veriler, dünya genelinde tarım üretimi, tarım alanları, tarım ürünlerinin ticareti, tarımsal işgücü istatistikleri ve benzeri konuları kapsayabilir. “Dünya tarım toplam verisi” kavramı, genellikle çeşitli kaynaklardan elde edilen verileri kapsar ve çeşitli ölçeklerde sunulabilir. Bu veriler, uluslararası kuruluşlar (örneğin, FAO), ulusal tarım kuruluşları, akademik araştırmalar veya ticari veri sağlayıcıları tarafından derlenebilir.
tarim_datasi <- data_WDI %>% group_by(year) %>%
summarise(tarimuretimi = sum(NY.GDP.MKTP.CD),
tarimtuketi = sum(SP.POP.TOTL),
kisibasiuretimi = tarimuretimi/tarimtuketi)ggplot(tarim_datasi, aes(x= year, y= tarimuretimi)) +
geom_line() +
labs(tittle = "kisi basi uretim",
y= "kisi basi uretim",
x= "sene") +
theme_linedraw()## Warning: Removed 64 rows containing missing values or values outside the scale range
## (`geom_line()`).
Ulkelerin paylari
“Ülkelerin payları” ifadesi genellikle bir konuda veya bir endüstride belirli bir ülkenin veya ülkelerin ne kadar paya sahip olduğunu ifade eder. Örneğin, bir endüstride bir ülkenin pazar payı, o endüstrideki toplam gelirin veya üretimin ne kadarının o ülke tarafından sağlandığını gösterir. Bu terim genellikle ekonomik veya ticari bağlamlarda kullanılır. Örneğin, bir şirketin uluslararası satışlarının ne kadarının belirli bir ülkeden geldiğini belirlemek için “ülkelerin payları” analizi yapılabilir. Ayrıca, bir endüstrideki büyük oyuncuların hangi ülkelerden olduğunu veya bir ülkenin bir endüstrideki rekabet gücünü değerlendirmek için de kullanılabilir.
Mutate
“mutate”, R programlama dilinde kullanılan bir fonksiyondur ve veri çerçevelerinde yeni değişkenler oluşturmak için kullanılır. Bu fonksiyon, veri çerçevesindeki varolan değişkenlere dayanarak yeni değişkenler oluşturmanızı sağlar veya varolan değişkenleri dönüştürmenize yardımcı olur.
Subregion
“subregion” terimi, genellikle coğrafi bölümler veya alt bölgeler anlamına gelir. Özellikle coğrafi bölgelendirme veya sınıflandırma bağlamında kullanılır. Bir ülkenin veya bölgenin daha büyük bir bölge veya kıtadaki alt bölümünü ifade edebilir. Örneğin, Avrupa’nın alt bölgeleri arasında Batı Avrupa, Orta Avrupa, Doğu Avrupa gibi subregionlar olabilir. “Subregion” terimi ayrıca belirli bir bölgenin daha küçük alt bölgelerini veya alt bölgelerini ifade etmek için de kullanılabilir. Örneğin, bir ülkenin farklı eyaletleri veya illeri, bir eyaletin farklı ilçeleri veya bölgeleri subregionlar olarak kabul edilebilir.
library(ggplot2)
library(gganimate)
phi <- dff %>%
filter(country %in% country) %>%
ggplot(aes(x = year,
y = NV.AGR.TOTL.ZS,
col = country)) +
geom_line(show.legend = FALSE) +
facet_wrap(~country, scales = "free") +
labs(title = "Year: {frame_along}")animation_frames <- phi +
transition_states(states = year, transition_length = 2, state_length = 1)
animation_frames <- animation_frames +
enter_fade() +
exit_fade()
animation <- animate(animation_frames, nframes = 30)```