VİZE ÖDEVİ

R ve R Studio

• R ve R Studio yükledim.

• Vize projesi adında R’da proje açtım.

-Proje klasörüne fotoğraf kaydettim.

• R Markdown’a fotoğraf ekledim.
• WDI ve tidyverse paketlerini yükledim.

Rmarkdown projesi hazırladım.

-Projeyi internete yükledim.

library(tidyverse)

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.4
## ✔ 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

library(WDI)

WDI paket açıklaması

WDI paketi, Dünya Bankası’nın kapsamlı Dünya Kalkınma Göstergeleri (WDI) veri deposuna erişimi kolaylaştıran güçlü bir araçtır.

-Temel Özellikler:

GSYİH, nüfus ölçümleri ve eğitim istatistikleri gibi çeşitli göstergelerin alınmasını sağlar. Zaman serisi verilerine erişir, zaman içinde trend analizi yapmayı sağlar.

Belirli ülkeler veya bölgeler için belirli göstergeleri bulup almak için sezgisel bir arayüz sağlar.

-Önem:

Küresel ekonomik eğilimleri anlamak ve verimlilik içgörülerini anlamak için temel öneme sahiptir. Karmaşık veri alımını basitleştirir, uluslar arası önemli ekonomik göstergelerin analizini yapmayı sağlar.

Paketin Kullanımı

Dünya bankası verilerini WDI paketi ile R programına yükleyelim.

library(WDI)

yasamsureleri <- WDI(country = c("all"), indicator = c("SP.DYN.LE00.FE.IN", "SP.DYN.LE00.IN"), 
                     start = 1999, 
                     end = 2022,
                     extra = TRUE, 
                     cache = NULL)

Verilerimizdeki bilgilere ulaşmak için “Explore” paketini yükleyelim ve describe_all ile araştıralım.

library(explore)

describe_all(yasamsureleri)

## # A tibble: 14 × 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       24 1999   2010.  2022  
##  5 status            chr       0    0        1   NA     NA     NA  
##  6 lastupdated       chr       0    0        1   NA     NA     NA  
##  7 SP.DYN.LE00.FE.IN dbl     452    7.1   4692   42.5   72.6   88.1
##  8 SP.DYN.LE00.IN    dbl     452    7.1   5570   42.0   70.0   85.5
##  9 region            chr     216    3.4      9   NA     NA     NA  
## 10 capital           chr     216    3.4    211   NA     NA     NA  
## 11 longitude         chr     216    3.4    211   NA     NA     NA  
## 12 latitude          chr     216    3.4    211   NA     NA     NA  
## 13 income            chr     216    3.4      7   NA     NA     NA  
## 14 lending           chr     216    3.4      6   NA     NA     NA

Ülkelerin ekstra bilgilerine bakalım.

ekstra_veri <- WDI_data$country

Ekstra bilgiler ile verilerimizi birleştirelim.Bunu için tidyverse yükleyelim ve left join ile birleştirelim.

library(tidyverse)

yasamsure_ekstra <- left_join(yasamsureleri,ekstra_veri)

## Joining with `by = join_by(country, iso2c, iso3c, region, capital, longitude,
## latitude, income, lending)`

yasamsure_ekstra <- yasamsure_ekstra %>% filter(income != "Aggregates")

yasamsure_ekstra %>% describe_all()

## # A tibble: 14 × 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       24 1999   2010.  2022  
##  5 status            chr       0    0        1   NA     NA     NA  
##  6 lastupdated       chr       0    0        1   NA     NA     NA  
##  7 SP.DYN.LE00.FE.IN dbl     378    7.3   3609   42.5   72.9   88.1
##  8 SP.DYN.LE00.IN    dbl     378    7.3   4467   42.0   70.3   85.5
##  9 region            chr       0    0        7   NA     NA     NA  
## 10 capital           chr       0    0      210   NA     NA     NA  
## 11 longitude         chr       0    0      210   NA     NA     NA  
## 12 latitude          chr       0    0      210   NA     NA     NA  
## 13 income            chr       0    0        5   NA     NA     NA  
## 14 lending           chr       0    0        4   NA     NA     NA

Verilerde ki eksik bilgileri dolduralım.

yasamsure_ekstra <- yasamsure_ekstra[!is.na(yasamsure_ekstra$SP.DYN.LE00.FE.IN) & !is.na(yasamsure_ekstra$SP.DYN.LE00.IN), ]

describe_all(yasamsure_ekstra)

## # A tibble: 14 × 8
##    variable          type     na na_pct unique    min   mean    max
##    <chr>             <chr> <int>  <dbl>  <int>  <dbl>  <dbl>  <dbl>
##  1 country           chr       0      0    210   NA     NA     NA  
##  2 iso2c             chr       0      0    210   NA     NA     NA  
##  3 iso3c             chr       0      0    210   NA     NA     NA  
##  4 year              int       0      0     23 1999   2010.  2021  
##  5 status            chr       0      0      1   NA     NA     NA  
##  6 lastupdated       chr       0      0      1   NA     NA     NA  
##  7 SP.DYN.LE00.FE.IN dbl       0      0   3608   42.5   72.9   88.1
##  8 SP.DYN.LE00.IN    dbl       0      0   4466   42.0   70.3   85.5
##  9 region            chr       0      0      7   NA     NA     NA  
## 10 capital           chr       0      0    205   NA     NA     NA  
## 11 longitude         chr       0      0    205   NA     NA     NA  
## 12 latitude          chr       0      0    205   NA     NA     NA  
## 13 income            chr       0      0      5   NA     NA     NA  
## 14 lending           chr       0      0      4   NA     NA     NA

Kayıp değerlerimizi bulalım.

kayipdeger<- yasamsure_ekstra %>% group_by(country) %>% summarise(kayıpdeger= sum(is.na(SP.DYN.LE00.FE.IN)))

Kayıp değerlerimizi ve ekstra datamızı birleştirelim.

yasamsureleri<- left_join(yasamsure_ekstra,kayipdeger)

## Joining with `by = join_by(country)`

Belarus’un Verileri

yasamsureleri_belarus<-yasamsureleri %>% filter(iso2c == "BY")

library(ggplot2)

ggplot(yasamsureleri_belarus, aes(x= year, y=SP.DYN.LE00.FE.IN)) + geom_area(color = "red")

Kore’nin Verileri

yasamsureleri_kore<-yasamsureleri %>% filter(iso2c == "KR")

ggplot(yasamsureleri_kore, aes(x= year, y=SP.DYN.LE00.IN)) + geom_area(color = "green")

## Yıl ve Ülke Grafikleri

yasamsureleri_2000 <- yasamsureleri %>% filter(year == 2000)

yasamsureleri_2000_veINsiz <-yasamsureleri_2000 %>% filter(iso2c !="AF")

yasamsureleri_2000_veINsiz <- yasamsureleri_2000_veINsiz %>% filter(iso2c !="AT")

yasamsureleri_2000_veINsiz <- yasamsureleri_2000_veINsiz %>% filter(iso2c !="NE")

yasamsureleri_2000_veINsiz <- yasamsureleri_2000_veINsiz %>% filter(iso2c !="PK")

yasamsureleri_2000_veINsiz <- yasamsureleri_2000_veINsiz %>% filter(iso2c !="ZW")

ggplot(yasamsureleri_2000_veINsiz, aes(x=SP.DYN.LE00.FE.IN, y=SP.DYN.LE00.IN, label = iso2c, colour= region)) + geom_point() + geom_text()