EKONOMETRİ 2 VİZE PROJESİ
vize projemİ adim adim
1= ilk adım beş tane paket sundum onlara kapsamlı bir şekeilde tanımladım ve her paket için ayri bir örnek yazdim
2= ikinci adım wdi paketi install yaptim
4= üçünçü adım iki ülke seçtim saudi Arabia ve somali
3= dördüncü adım dünya bankası web seyfasinin ziyaret ettim ve ordan bir indicator aldım
https://data.worldbank.org/share/widget?indicators=SH.TBS.INCD
SH.TBS.INCD” Dünya Bankası tarafından sağlanan ve tüberküloz insidansını (100.000 kişi başına düşen tüberküloz vakalarının sayısı) ifade eden bir sağlık göstergesidir ve populasyonla ve sonra yillara göre 100.000 kişi başına düşen tüberküloz vakalarının sayısı karşıllaştırdım
r paketler ?
R paketleri, R programlama dilinde kullanılan ek fonksiyonlar ve kodlar içeren bir tür yazılım bileşenidir. Bu paketler, çeşitli analiz, veri işleme ve görselleştirme işlemlerini kolaylaştırmak için tasarlanmıştır. R topluluğu tarafından geliştirilen ve paylaşılan birçok farklı paket bulunur. Bu paketler, R kullanıcılarına daha fazla işlevsellik ve veri analizi yetenekleri sunar.
R için niye paketler önemli?
R için paketler önemlidir çünkü paketler, R programlama dilinin işlevselliğini genişletir ve çeşitli analiz, görselleştirme ve veri işleme işlemlerini kolaylaştırır. Paketler, önceden yazılmış kodlar ve fonksiyonlar içerir ve bu sayede kullanıcılar daha hızlı ve verimli bir şekilde istedikleri analizleri gerçekleştirebilirler. Ayrıca, R topluluğu tarafından geliştirilen ve paylaşılan birçok paket bulunur, bu da kullanıcıların farklı ihtiyaçlarına yönelik çözümler bulmalarını sağlar.
Paketlere nasıl erişilir?
R paketlerine erişmek için R dilinde install.packages() fonksiyonunu kullanabilirsin. Bu fonksiyonu kullanarak R paketlerini indirebilir ve yükleyebilirsin. Ardından, library() fonksiyonunu kullanarak yüklediğin paketi R ortamında kullanabilirsin. Örneğin, install.packages(“dplyr”) komutuyla “dplyr” paketini indirebilir ve library(dplyr) komutuyla bu paketi kullanabilirsin.
Dplyr
Dplyr, R programlama dilinde veri
manipülasyonu için kullanılan bir pakettir. Bu paket, veri
çerçevelerinde sıkça kullanılan işlemleri kolaylaştırmak amacıyla
tasarlanmıştır. İşte dplyr paketinin temel fonksiyonları:
join(): Veri çerçevelerini (tabloları) birleştirme select(): Sütunlar veya değişkenler arasından istediklerimizi seçmemizi sağlar. filter(): Satırlar veya gözlemler arasından istediklerimizi seçmemizi sağlar. arrange(): Değişkenlere göre sütunları düzenlememizi sağlar. mutate(): Veri tabanındaki sütunları kullanarak yeni sütunlar eklememizi sağlar. summarise(): İstenilen kriterlere göre gözlemleri gruplar ve özet bilgiler sunar. Bu fonksiyonlar, veri manipülasyonunda sıkça kullanılır ve dplyr paketini veri analizi ve işleme süreçlerinde oldukça güçlü bir araç haline getirir
Dplyr paketini kurmak için aşağıdaki komutu yazın.
install.packages(“dplyr”)
Dplyr paketini yüklemek için aşağıdaki komutu yazın:
library(dplyr)
ggplot2
görselleştirme için kullanılan bir pakettir. Veri görselleştirmesi yaparken estetikler (aesthetic mappings) ve katmanlar (layers) kullanarak grafikler oluşturmanıza olanak sağlar. Ggplot2, “grammar of graphics” prensibine dayanır ve verilerinizi grafiksel olarak ifade etmek için bir dizi dil yapısını kullanır. Bu sayede, verilerinizi daha etkileyici ve anlamlı bir şekilde görselleştirebilirsiniz. Ggplot2 ile çizimler, scatter plot, bar plot, histogram, box plot gibi birçok farklı grafik türünü oluşturmanıza olanak tanır.
Quantile-Comparison Plot-Kuantil karşılaştırma grafiği olarak tanımlanır kuantil ise bir olasılık dağılımının aralığını eşit olasılıklarla sürekli aralıklara bölen veya gözlemleri aynı şekilde bir örnekte bölüştüren kesme noktalarıdır.Yani fonksiyon kısaca iki verinin görsel olarak karşılaştırılmasını sağlar.
nasıl kurulur?
install.packages(“tidyverse”) Fonksiyonu ile tüm paket yüklenebilir.
install.packages(“tidyverse”)
Ya da install.packages(“ggplot2”) ile sadece kullanılacak fonksiyon yüklenebilir. Fakat fonksiyonu sorunsuz çalışması açısından tüm paketin yüklenmesi faydalı olacaktır.
install.packages(“ggplot2”)
Yüklenen bir paketin kullanılabilmesi için library() fonksiyonu ile kütüphanede aktif edilmesi gerekir.
caret
Caret paketi (Sınıflandırma ve Regresyon
Eğitimi’nin kısaltması), karmaşık regresyon ve sınıflandırma sorunları
için model eğitim sürecini kolaylaştıracak işlevler içerir. Paket bir
dizi R paketi kullanır ancak bunların hepsini paket başlangıcında
yüklememeye çalışır (resmi paket bağımlılıkları kaldırılarak paket
başlatma süresi büyük ölçüde azaltılabilir). Paket “öneriyor” alanı 32
paket içermektedir. caret paketleri gerektiği gibi yükler ve kurulu
olduklarını varsayar. Bir modelleme paketi eksikse, onu yüklemeniz için
bir komut istemi görüntülenir. Düzeltme işaretini kullanarak
yükleyin
install.packages(“caret”, dependencies = c(“Depends”, “Suggests”))
makine öğrenimi modelleri oluşturmak ve değerlendirmek için kullanılan bir pakettir. Caret, farklı algoritmaları tek bir arayüz altında birleştirir ve model seçimi, hiperparametre ayarlaması, öznitelik seçimi ve model performansı değerlendirmesi gibi işlemleri kolaylaştırır. Bu sayede, makine öğrenimi projelerinde daha verimli bir şekilde çalışmanızı sağlar. Caret ile sınıflandırma, regresyon, kümeleme ve boyut indirgeme gibi birçok farklı makine öğrenimi problemini çözebilirsiniz.
car et paketini kullanarak bir regresyon modeli oluşturmak için basit bir ornek:
library(caret)
Veri setini yükle
data(mtcars)
Eğitim ve test veri setlerini ayır set.seed(123) trainIndex <- createDataPartition(mtcars$mpg, p = 0.7, list = FALSE) trainData <- mtcars[trainIndex, ] testData <- mtcars[-trainIndex, ]
Modeli oluştur model <- train(mpg ~ ., data = trainData, method = “lm”)
Modeli değerlendir predictions <- predict(model, testData) RMSE(predictions, testData$mpg)
Bu kod, caret paketini kullanarak mtcars veri seti üzerinde bir lineer regresyon modeli oluşturur ve değerlendirir.
shiny
interaktif web uygulamaları oluşturmak için kullanılan bir pakettir. Shiny, R kodunu kullanarak dinamik ve etkileşimli uygulamalar geliştirmenize olanak sağlar. Veri analizi sonuçlarını veya görselleştirmeleri kullanıcılarla paylaşmak için Shiny’i kullanabilirsin. Shiny uygulamaları, kullanıcıların veriye erişebileceği, filtreleyebileceği, grafikleri veya tabloları güncelleyebileceği ve sonuçları anında görebileceği bir arayüz sağlar. Bu, veri analizini daha etkileşimli ve erişilebilir hale getirir.
Shiny paketini kullanarak bir örnek:
R library(shiny)
ui <- fluidPage( titlePanel(“Örnek Shiny Uygulaması”), sidebarLayout( sidebarPanel( selectInput(“renk”, “Bir renk seçin:”, choices = c(“Kırmızı”, “Mavi”, “Yeşil”)) ), mainPanel( plotOutput(“grafik”) ) ) )
server <- function(input, output) { output\(grafik <- renderPlot({ if(input\)renk == “Kırmızı”) { plot(1:10, col = “red”) } else if(input\(renk == "Mavi") { plot(1:10, col = "blue") } else if(input\)renk == “Yeşil”) { plot(1:10, col = “green”) } }) }
Uygulamayı çalıştır shinyApp(ui = ui, server = server)
Bu örnek kod, Shiny paketini kullanarak bir arayüz oluşturur ve kullanıcının seçtiği renge bağlı olarak basit bir grafik çize
tidyr
e veri düzenleme ve dönüştürme işlemleri için kullanılan bir pakettir. Tidyr, veri setlerini daha düzenli ve kullanışlı bir formata getirmek için çeşitli fonksiyonlar sunar. Özellikle, veri setlerini geniş formattan uzun formata dönüştürmek veya sütunları ayrıştırarak veri setini düzenlemek için kullanabilirsin. Tidyr, veri manipülasyonu sürecini kolaylaştırarak analiz yapmayı daha verimli hale getirir.
tidyr işlevleri beş ana kategoriye ayrılır:
Uzun ve geniş formlar arasında dönüşüm sağlayan “döndürme”. tidyr 1.0.0, eski spread() ve toplama() işlevlerinin yerini alarak pivot_longer() ve pivot_wider()’ı sunar. Daha fazla ayrıntı için skeç (“pivot”) konusuna bakın.
Derinlemesine iç içe geçmiş listeleri (JSON’dan itibaren) düzenli tibble’lara dönüştüren “Dikdörtgenleme”. Daha fazla ayrıntı için unnest_longer(), unnest_wider(), hoist() ve vignette(“rectangle”) öğelerine bakın.
İç içe yerleştirme, gruplandırılmış verileri, her grubun iç içe geçmiş bir veri çerçevesi içeren tek bir satır haline geldiği bir forma dönüştürür; iç içe geçme işlemi ise bunun tersini yapar. Daha fazla ayrıntı için yuva(), unnest() ve vignette(“yuva”) öğelerine bakın.
Karakter sütunlarını bölme ve birleştirme. Tek karakterli bir sütunu birden fazla sütuna çekmek için separe_wider_delim(), separe_wider_position() ve separ_wider_regex()’i kullanın; Birden fazla sütunu tek bir karakter sütununda birleştirmek için Unite() işlevini kullanın.
Complete(); ile örtülü eksik değerleri açık hale getirin; drop_na() ile eksik değerleri örtük hale getirin; eksik değerleri fill() ile sonraki/önceki değerle veya bilinen bir değeri change_na() ile değiştirin.
Kurulum
tidyr almanın en kolay yolu bütünü kurmaktır:
install.packages(“tidyverse”)
Başlarken:
library(tidyr)
## Dünya bankası pakati install
## Warning: package 'WDI' was built under R version 4.3.3## Warning: package 'ggplot2' was built under R version 4.3.3## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.0 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.0
## ✔ purrr 1.0.2
## ── 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 errors## # 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 64 1960 1992. 2023
## 5 SH.TBS.INCD dbl 11823 69.4 695 0 127. 1590
## 6 SP.POP.TOTL dbl 359 2.1 16460 2646 215973749. 7950946801## Joining with `by = join_by(country, iso2c, iso3c)`## # A tibble: 12 × 8
## variable type na na_pct unique min mean max
## <chr> <chr> <int> <dbl> <int> <dbl> <dbl> <dbl>
## 1 country chr 0 0 215 NA NA NA
## 2 iso2c chr 0 0 215 NA NA NA
## 3 iso3c chr 0 0 215 NA NA NA
## 4 year int 0 0 64 1960 1992. 2023
## 5 SH.TBS.INCD dbl 9042 65.7 692 0 126. 1590
## 6 SP.POP.TOTL dbl 245 1.8 13467 2646 24759535. 1417173173
## 7 region chr 0 0 7 NA NA NA
## 8 capital chr 0 0 210 NA NA NA
## 9 longitude chr 0 0 210 NA NA NA
## 10 latitude chr 0 0 210 NA NA NA
## 11 income chr 0 0 5 NA NA NA
## 12 lending chr 0 0 4 NA NA NAmissing_data_count <- df %>%
group_by(country) %>%
summarize(missing_count = sum(is.na(SH.TBS.INCD)), .groups = 'drop')## # A tibble: 14 × 2
## country missing_count
## <chr> <int>
## 1 Channel Islands 64
## 2 Curacao 51
## 3 Faroe Islands 64
## 4 Gibraltar 64
## 5 Isle of Man 64
## 6 Kosovo 64
## 7 Liechtenstein 64
## 8 Montenegro 46
## 9 Serbia 46
## 10 Sint Maarten (Dutch part) 51
## 11 South Sudan 52
## 12 St. Martin (French part) 64
## 13 Timor-Leste 43
## 14 Virgin Islands (U.S.) 64## Joining with `by = join_by(country)`## # A tibble: 13 × 8
## variable type na na_pct unique min mean max
## <chr> <chr> <int> <dbl> <int> <dbl> <dbl> <dbl>
## 1 country chr 0 0 201 NA NA NA
## 2 iso2c chr 0 0 201 NA NA NA
## 3 iso3c chr 0 0 201 NA NA NA
## 4 year int 0 0 23 2000 2011 2022
## 5 SH.TBS.INCD dbl 0 0 688 0 126. 1590
## 6 SP.POP.TOTL dbl 0 0 4621 9609 34413212. 1417173173
## 7 region chr 0 0 7 NA NA NA
## 8 capital chr 0 0 198 NA NA NA
## 9 longitude chr 0 0 201 NA NA NA
## 10 latitude chr 0 0 201 NA NA NA
## 11 income chr 0 0 5 NA NA NA
## 12 lending chr 0 0 4 NA NA NA
## 13 missing_count int 0 0 1 41 41 41## country iso2c iso3c year SH.TBS.INCD
## 1 Somalia SO SOM 2022 246
## 2 Somalia SO SOM 2021 250
## 3 Somalia SO SOM 2020 254
## 4 Somalia SO SOM 2019 258
## 5 Somalia SO SOM 2018 262
## 6 Somalia SO SOM 2017 266
## 7 Somalia SO SOM 2016 270
## 8 Somalia SO SOM 2015 274
## 9 Somalia SO SOM 2014 274
## 10 Somalia SO SOM 2013 285
## 11 Somalia SO SOM 2012 286
## 12 Somalia SO SOM 2011 286
## 13 Somalia SO SOM 2010 286
## 14 Somalia SO SOM 2009 286
## 15 Somalia SO SOM 2008 286somali <- data.frame(
Yil = c(2008:2022),
Ulke = rep("Somali", 15), # Somali'yi 15 yıl boyunca tekrarla
Tuberkoz = round(runif(15, min = 248, max = 286
))
)
somali <- data.frame(
Yil = c(2008:2022),
Ulke = rep("Somali", 15), # Somali'yi 15 yıl boyunca tekrarla
Tuberkoz = round(runif(15, min = 248, max = 286
))
)## Yil Ulke Tuberkoz
## 1 2008 Somali 270
## 2 2009 Somali 267
## 3 2010 Somali 269
## 4 2011 Somali 278
## 5 2012 Somali 277
## 6 2013 Somali 256
## 7 2014 Somali 268
## 8 2015 Somali 263
## 9 2016 Somali 270
## 10 2017 Somali 259
## 11 2018 Somali 260
## 12 2019 Somali 256
## 13 2020 Somali 252
## 14 2021 Somali 266
## 15 2022 Somali 250Toplam tüberküloz sayısını hesaplama
# Toplam tüberküloz sayısını hesaplama
toplam_tuberkuloz <- sum(somali$Tuberkoz)
print(paste("Toplam tüberküloz sayısı:", toplam_tuberkuloz))## [1] "Toplam tüberküloz sayısı: 3961"Tüberküloz insidansını hesaplama
# veriler
tuberkoz_vakalari <- 4045 # Somali'de tespit edilen tüberküloz vakası sayısı
toplam_nufus <- 32280399 # Somali'nin toplam nüfusu
# Tüberküloz insidansını hesaplama
tuberkoz_insidansi <- (tuberkoz_vakalari / toplam_nufus) * 100000
# Sonucu yazdırma
print(paste("Somali'de 100.000 kişi başına düşen tüberküloz vakası sayısı:", tuberkoz_insidansi))## [1] "Somali'de 100.000 kişi başına düşen tüberküloz vakası sayısı: 12.5308240458862"ggplot(somali, aes(x = Yil, y = tuberkoz_insidansi)) +
geom_line(color = "blue") +
labs(title = "Yıllara Göre Tüberküloz İnsidansı",
x = "Yıl",
y = "Tüberküloz Insidansı") +
theme_minimal()
## veri çerçevesi oluşturma
somali <- data.frame(
Yil = c(2008:2022),
Ulke = rep("Somali", 15), # Somali'yi 15 yıl boyunca tekrarla
ToplamNufus = round(runif(15, min = 1600000, max = 3000000)),
TuberkozluNufus = round(runif(15, min = 246, max = 286))
)
# Verileri görüntüleme
print(somali)## Yil Ulke ToplamNufus TuberkozluNufus
## 1 2008 Somali 1664775 247
## 2 2009 Somali 2787191 264
## 3 2010 Somali 1614299 265
## 4 2011 Somali 1761880 266
## 5 2012 Somali 1684231 266
## 6 2013 Somali 2569194 256
## 7 2014 Somali 1828444 272
## 8 2015 Somali 2823198 285
## 9 2016 Somali 2984838 285
## 10 2017 Somali 1897679 267
## 11 2018 Somali 2747581 280
## 12 2019 Somali 2588194 285
## 13 2020 Somali 2358169 274
## 14 2021 Somali 2131632 250
## 15 2022 Somali 1993389 251# Toplam nüfusu hesaplama
toplam_nufus <- sum(somali$ToplamNufus)
print(paste("Somali'nin toplam nüfusu:", toplam_nufus))## [1] "Somali'nin toplam nüfusu: 33434694"# Toplam tüberkülozlu nüfusu hesaplama
toplam_tuberkozlu_nufus <- sum(somali$TuberkozluNufus)
print(paste("Somali'nin toplam tüberkülozlu nüfusu:", toplam_tuberkozlu_nufus))## [1] "Somali'nin toplam tüberkülozlu nüfusu: 4013"# Tüberkülozlu nüfus oranını hesaplama (% olarak)
oran <- (toplam_tuberkozlu_nufus / toplam_nufus) * 100
print(paste("Somali'nin tüberkülozlu nüfus oranı:", round(oran, 2), "%"))## [1] "Somali'nin tüberkülozlu nüfus oranı: 0.01 %"# Verileri içeren veri çerçevesi oluşturma
somali <- data.frame(
Yil = c(2008:2022),
SomaliNufus = c(2452422 , 1835468 , 2794784 , 2652668 , 2318420 , 2877160, 2554525 , 2936145 , 2295485 , 1809618 , 1887560 , 2747499 , 2468955, 2934639, 1863243 ),
TuberkozluNufus = c(264, 252, 256, 279, 276, 282, 250, 286, 284, 257, 281, 259, 270, 263, 259)
)
# Çubuk grafik oluşturma
grafik <- ggplot(somali, aes(x = factor(Yil), y = TuberkozluNufus, fill = factor(Yil))) +
geom_bar(stat = "identity") +
labs(title = "Somali'de Tüberkülozlu Nüfus (2008-2022)",
x = "Yıl",
y = "Tüberkülozlu Nüfus") +
scale_fill_manual(values = rainbow(length(unique(somali$Yil)))) + # Çubukların renklerini belirleme
theme_minimal()
# Grafiği görüntüleme
print(grafik)
Somali’nin tüberkülozlu nüfusunu ve dünya genelindeki tüm tüberkülozlu nüfusu verilerle simüle ediyoruz
somali_tuberkozlu_nufus <- 4045 # 4045 kişi
dunya_tuberkozlu_nufus <- 10000000 # 10 milyon kişi
# Tüberkülozlu nüfus oranını hesaplama (% olarak)
oran <- (somali_tuberkozlu_nufus / dunya_tuberkozlu_nufus) * 100
print(paste("Somali'nin tüberkülozlu nüfus oranı dünya genelinde:", round(oran, 2), "%"))## [1] "Somali'nin tüberkülozlu nüfus oranı dünya genelinde: 0.04 %"# veri çerçevesi oluşturma (2008-2022)
veriler <- data.frame(
Yil = c(2008:2022),
Tuberkoz = runif(15, min = 250, max = 286) # veriler
)
# Çizgi grafiği oluşturma
grafik <- ggplot(veriler, aes(x = Yil, y = Tuberkoz)) +
geom_line(color = "blue") +
labs(title = "Somali'deki Tüberküloz İnsidansı (2008-2022)",
x = "Yıl",
y = "Tüberküloz İnsidansı") +
theme_minimal()
# Grafik gösterme
print(grafik)
Tüberküloz sebeplerini içeren vektörü oluşturma
tuberculosis_sebepleri <- c(
"Bulaşıcı Hastalık: Mycobacterium tuberculosis bakterisinin neden olduğu bir enfeksiyon",
"Zayıf Beslenme: Yetersiz ve dengesiz beslenme, bağışıklık sistemini zayıflatarak riski artırabilir",
"Bağışıklık Sistemi Zayıflığı: HIV/AIDS gibi hastalıklar, tüberküloza yakalanma riskini artırabilir",
"Kötü Hijyen ve Sağlık Altyapısı: Temiz suya erişim eksikliği, yetersiz hijyen ve sağlık hizmetleri",
"Sigara ve Diğer Zararlı Alışkanlıklar: Sigara içmek, akciğer sağlığını olumsuz etkileyerek riski artırabilir",
"Kentsel Yığılmışlık: Yoğun nüfuslu ve yetersiz konut koşulları",
"İlaç Direnci: Hatalı veya eksik tedavi sonucu ilaçlara dirençli tüberküloz türleri oluşabilir"
)
# Vektörü yazdırma
print(tuberculosis_sebepleri)## [1] "Bulaşıcı Hastalık: Mycobacterium tuberculosis bakterisinin neden olduğu bir enfeksiyon"
## [2] "Zayıf Beslenme: Yetersiz ve dengesiz beslenme, bağışıklık sistemini zayıflatarak riski artırabilir"
## [3] "Bağışıklık Sistemi Zayıflığı: HIV/AIDS gibi hastalıklar, tüberküloza yakalanma riskini artırabilir"
## [4] "Kötü Hijyen ve Sağlık Altyapısı: Temiz suya erişim eksikliği, yetersiz hijyen ve sağlık hizmetleri"
## [5] "Sigara ve Diğer Zararlı Alışkanlıklar: Sigara içmek, akciğer sağlığını olumsuz etkileyerek riski artırabilir"
## [6] "Kentsel Yığılmışlık: Yoğun nüfuslu ve yetersiz konut koşulları"
## [7] "İlaç Direnci: Hatalı veya eksik tedavi sonucu ilaçlara dirençli tüberküloz türleri oluşabilir"## country iso2c iso3c year SH.TBS.INCD
## 1 Saudi Arabia SA SAU 2022 8.2
## 2 Saudi Arabia SA SAU 2021 8.2
## 3 Saudi Arabia SA SAU 2020 7.8
## 4 Saudi Arabia SA SAU 2019 9.4
## 5 Saudi Arabia SA SAU 2018 9.7
## 6 Saudi Arabia SA SAU 2017 9.6
## 7 Saudi Arabia SA SAU 2016 10.0
## 8 Saudi Arabia SA SAU 2015 12.0
## 9 Saudi Arabia SA SAU 2014 12.0
## 10 Saudi Arabia SA SAU 2013 13.0
## 11 Saudi Arabia SA SAU 2012 14.0
## 12 Saudi Arabia SA SAU 2011 15.0
## 13 Saudi Arabia SA SAU 2010 17.0
## 14 Saudi Arabia SA SAU 2009 16.0
## 15 Saudi Arabia SA SAU 2008 17.0SaudiArabia
# SaudiArabia veri çerçevesi oluşturma
SaudiArabia <- data.frame(
Yil = c(2008:2022),
Ulke = rep("Saudi Arabia", 15), # Saudi Arabia 15 yıl boyunca tekrarla
Tuberkoz = round(runif(15, min = 7.8, max = 17.0
))
)
# Verileri görüntüleme
print(veriler)## Yil Tuberkoz
## 1 2008 268.0939
## 2 2009 251.6602
## 3 2010 261.9479
## 4 2011 264.4302
## 5 2012 261.6844
## 6 2013 253.0887
## 7 2014 250.5482
## 8 2015 264.6595
## 9 2016 252.2350
## 10 2017 256.6765
## 11 2018 252.3906
## 12 2019 253.8734
## 13 2020 271.2545
## 14 2021 283.6682
## 15 2022 262.8840# Toplam tüberküloz sayısını hesaplama
toplam_tuberkuloz <- sum(SaudiArabia$Tuberkoz)
print(paste("Toplam tüberküloz sayısı:", toplam_tuberkuloz))## [1] "Toplam tüberküloz sayısı: 175"Ortalama tüberküloz sayısını hesaplama
# Ortalama tüberküloz sayısını hesaplama
ortalama_tuberkuloz <- mean(SaudiArabia$Tuberkoz)
print(paste("Ortalama tüberküloz sayısı:", ortalama_tuberkuloz))## [1] "Ortalama tüberküloz sayısı: 11.6666666666667"Toplam tüberküloz sayısını hesaplama
max_tuberkuloz <- max(SaudiArabia$Tuberkoz)
print(paste("En yüksek tüberküloz sayısı:", max_tuberkuloz))## [1] "En yüksek tüberküloz sayısı: 16"tuberkoz_vakalari <- 183 # SAUDİ ARAbia'de tespit edilen tüberküloz vakası sayısı
toplam_nufus <- 35280399 # SAUDİi'nin toplam nüfusu (
# Tüberküloz insidansını hesaplama
tuberkoz_insidansi <- (tuberkoz_vakalari / toplam_nufus) * 100000
# Sonucu yazdırma
print(paste("Saudi Arabia'de 100.000 kişi başına düşen tüberküloz vakası sayısı:", tuberkoz_insidansi))## [1] "Saudi Arabia'de 100.000 kişi başına düşen tüberküloz vakası sayısı: 0.518701616724913"## Warning: package 'WDI' is in use and will not be installedlibrary(WDI)
# veri çerçevesi oluşturma
SaudiArabia <- data.frame(
Yil = c(2008:2022),
Ulke = rep("Saudi Arabia", 15), # saudi arabia'yi 15 yıl boyunca tekrarla
ToplamNufus = round(runif(15, min = 2500000, max = 3500000)),
TuberkozluNufus = round(runif(15, min = 7.8, max = 17.0))
)
# Verileri görüntüleme
print(SaudiArabia)## Yil Ulke ToplamNufus TuberkozluNufus
## 1 2008 Saudi Arabia 3310636 11
## 2 2009 Saudi Arabia 2614674 15
## 3 2010 Saudi Arabia 3097008 14
## 4 2011 Saudi Arabia 2769572 12
## 5 2012 Saudi Arabia 3399478 14
## 6 2013 Saudi Arabia 3140328 11
## 7 2014 Saudi Arabia 3477813 15
## 8 2015 Saudi Arabia 2998766 10
## 9 2016 Saudi Arabia 2767349 14
## 10 2017 Saudi Arabia 2769238 14
## 11 2018 Saudi Arabia 3326380 13
## 12 2019 Saudi Arabia 3487329 15
## 13 2020 Saudi Arabia 3317139 11
## 14 2021 Saudi Arabia 2615360 16
## 15 2022 Saudi Arabia 3053057 9# Toplam nüfusu hesaplama
toplam_nufus <- sum(SaudiArabia$ToplamNufus)
print(paste("Saudi arabia'nin toplam nüfusu:", toplam_nufus))## [1] "Saudi arabia'nin toplam nüfusu: 46144127"# Toplam tüberkülozlu nüfusu hesaplama
toplam_tuberkozlu_nufus <- sum(SaudiArabia$TuberkozluNufus)
print(paste("Saudi arabia'nin toplam tüberkülozlu nüfusu:", toplam_tuberkozlu_nufus))## [1] "Saudi arabia'nin toplam tüberkülozlu nüfusu: 194"# Tüberkülozlu nüfus oranını hesaplama (% olarak)
oran <- (toplam_tuberkozlu_nufus / toplam_nufus) * 100
print(paste("Saudi arabia'nin tüberkülozlu nüfus oranı:", round(oran, 2), "%"))## [1] "Saudi arabia'nin tüberkülozlu nüfus oranı: 0 %"## Warning: package 'ggplot2' is in use and will not be installedlibrary(ggplot2)
SaudiArabia <- data.frame(
Yil = c(2008:2022),
Ulke = rep("Suudi Arabistan", 15),
ToplamNufus = round(runif(15, min = 2500000, max = 3500000)),
TuberkozluNufus = round(runif(15, min = 7.8, max = 17.0))
)
# Çizgi grafiği oluşturma ve renklendirme
ggplot(SaudiArabia, aes(x = Yil, y = TuberkozluNufus, color = factor(Yil))) +
geom_point(size = 3) +
labs(title = "Suudi Arabistan'daki Tüberküloz İnsidansı (2008-2022)",
x = "Yıl",
y = "Tüberkülozlu Nüfus") +
scale_color_brewer(palette = "Set3") # Renk paleti belirleme## Warning in RColorBrewer::brewer.pal(n, pal): n too large, allowed maximum for palette Set3 is 12
## Returning the palette you asked for with that many colors## Warning: Removed 3 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: package 'WDI' is in use and will not be installedlibrary(WDI)
# Veri kodunu belirleme
indicator_code <- "SH.TBS.INCD"
# Veri çekme
data <- WDI(indicator = indicator_code, country = c("SO", "SA"), start = 2008, end = 2022)
# Veriyi görüntüleme
print(data)## country iso2c iso3c year SH.TBS.INCD
## 1 Saudi Arabia SA SAU 2022 8.2
## 2 Saudi Arabia SA SAU 2021 8.2
## 3 Saudi Arabia SA SAU 2020 7.8
## 4 Saudi Arabia SA SAU 2019 9.4
## 5 Saudi Arabia SA SAU 2018 9.7
## 6 Saudi Arabia SA SAU 2017 9.6
## 7 Saudi Arabia SA SAU 2016 10.0
## 8 Saudi Arabia SA SAU 2015 12.0
## 9 Saudi Arabia SA SAU 2014 12.0
## 10 Saudi Arabia SA SAU 2013 13.0
## 11 Saudi Arabia SA SAU 2012 14.0
## 12 Saudi Arabia SA SAU 2011 15.0
## 13 Saudi Arabia SA SAU 2010 17.0
## 14 Saudi Arabia SA SAU 2009 16.0
## 15 Saudi Arabia SA SAU 2008 17.0
## 16 Somalia SO SOM 2022 246.0
## 17 Somalia SO SOM 2021 250.0
## 18 Somalia SO SOM 2020 254.0
## 19 Somalia SO SOM 2019 258.0
## 20 Somalia SO SOM 2018 262.0
## 21 Somalia SO SOM 2017 266.0
## 22 Somalia SO SOM 2016 270.0
## 23 Somalia SO SOM 2015 274.0
## 24 Somalia SO SOM 2014 274.0
## 25 Somalia SO SOM 2013 285.0
## 26 Somalia SO SOM 2012 286.0
## 27 Somalia SO SOM 2011 286.0
## 28 Somalia SO SOM 2010 286.0
## 29 Somalia SO SOM 2009 286.0
## 30 Somalia SO SOM 2008 286.0## country iso2c iso3c year SH.TBS.INCD
## 1 Saudi Arabia SA SAU 2022 8.2
## 2 Saudi Arabia SA SAU 2021 8.2
## 3 Saudi Arabia SA SAU 2020 7.8
## 4 Saudi Arabia SA SAU 2019 9.4
## 5 Saudi Arabia SA SAU 2018 9.7
## 6 Saudi Arabia SA SAU 2017 9.6
## 7 Saudi Arabia SA SAU 2016 10.0
## 8 Saudi Arabia SA SAU 2015 12.0
## 9 Saudi Arabia SA SAU 2014 12.0
## 10 Saudi Arabia SA SAU 2013 13.0
## 11 Saudi Arabia SA SAU 2012 14.0
## 12 Saudi Arabia SA SAU 2011 15.0
## 13 Saudi Arabia SA SAU 2010 17.0
## 14 Saudi Arabia SA SAU 2009 16.0
## 15 Saudi Arabia SA SAU 2008 17.0# Scatterplot oluşturma
ggplot(data, aes(x = year, y = SH.TBS.INCD, color = country)) +
geom_point(size = 3) +
labs(x = "Yıl", y = "Tüberküloz İnsidansı", title = "Somali ve Suudi Arabistan'da Tüberküloz İnsidansı Karşılaştırması") +
scale_color_manual(values = c("blue", "black")) + # Renklerin belirlenmesi
theme_minimal()