R NEDIR

R’da kullanılan paketler, fonksiyon, veri yapıları ve işlevlerin genişletilmesi ve özelleştirilmesi için kullanılır. CRAN (Comprehensive R Archive Network) ve diğer kaynaklardan binlerce paket indirilebilir. Bu paketler, R’ın yeteneklerini genişletmek ve çeşitli analiz, görselleştirme ve veri işleme görevlerini daha kolay ve etkili bir şekilde gerçekleştirmek için kullanılır.

PAKETLER

Organizasyon ve Taşıma: Ürünleri veya bilgileri düzenli bir şekilde paketlemek, taşımak ve saklamak için önemlidir. Bu, ürünlerin zarar görmesini önler ve iş süreçlerini düzenler. Koruma ve Güvenlik: Paketler, içerdikleri öğeleri dış etkenlerden korur ve güvenli bir şekilde ulaşmalarını sağlar. Özellikle kırılgan veya hassas ürünler için bu önemlidir. Marka Kimliği ve Pazarlama: İyi tasarlanmış paketler, markanın kimliğini ve değerlerini yansıtabilir, tüketicilerin dikkatini çekebilir ve satın alma kararlarını etkileyebilir. Bilgi İletişimi: Ürün ambalajları, ürünün içeriği, kullanım talimatları ve diğer önemli bilgiler hakkında tüketicilere bilgi iletmek için kullanılabilir. Çevresel Etki: Sürdürülebilir paketleme çözümleri, çevresel etkileri azaltarak doğal kaynakları korur ve atık miktarını azaltır. Bu nedenlerden dolayı paketler işletmeler ve tüketiciler için önemlidi

paketler neden onemlidir

Ekonometri paketleri, ekonomi ve finans gibi alanlarda istatistiksel ve matematiksel yöntemlerin kullanılmasını sağlayan yazılım araçlarıdır. Bu paketler, ekonomistlerin verileri analiz etmelerine, ekonometrik modeller oluşturmalarına ve ekonomik teorileri test etmelerine yardımcı olur. Ayrıca, tahminler yapmak, korelasyonları ve nedensellikleri incelemek gibi ekonometriye özgü işlemleri gerçekleştirmek için kullanılırlar. Bu nedenle, ekonometri paketleri ekonomistler için çok önemlidir çünkü karmaşık verileri işlemelerine ve anlamalarına yardımcı olurlar.

Paketler nasıl erişilir ?

Paketlere nasıl erişileceği, hangi programlama dilini ve hangi paket yöneticisini kullandığınıza bağlı olarak değişiklik gösterebilir. İşte bazı popüler programlama dilleri ve bu diller için paket yöneticileriyle paketlere erişim yöntemleri:

##ggplot2:

Veri görselleştirmesi için güçlü bir paket.

library(ggplot2) ggplot(mtcars, aes(x = mpg, y = wt)) + geom_point()

dplyr:

Veri işleme ve dönüştürme için kullanılan bir paket.

library(dplyr) mtcars %>% filter(mpg > 20) %>% select(mpg, wt)

tidyr

Veri setlerini düzenlemek için kullanılan bir paket.

library(tidyr) data <- data.frame(name = c(“John”, “Alice”, “Bob”), score_math = c(85, 90, 88), score_science = c(78, 92, 85)) pivot_longer(data, cols = starts_with(“score”), names_to = “subject”, values_to = “score”)

caret

: Makine öğrenimi için bir pake

library(caret) data(iris) train_control <- trainControl(method = “cv”, number = 5) train(Species ~ ., data = iris, method = “rpart”, trControl = train_control)

shiny:

Web tabanlı uygulamalar oluşturmak için bir paket

library(shiny) ui <- fluidPage( titlePanel(“Basit Shiny Uygulaması”), sidebarLayout( sidebarPanel( sliderInput(“bins”, “Bölmeleri seç:”, min = 1, max = 50, value = 30) ), mainPanel( plotOutput(“histogram”) ) ) ) server <- function(input, output) { output\(histogram <- renderPlot({ hist(rnorm(500, mean = 0, sd = 1), breaks = input\)bins, col = ‘darkgray’, border = ‘white’) }) } shinyApp(ui = ui, server = server)

Methods”,

programlama dilinde bir nesnenin davranışlarını ve işlevselliğini tanımlayan kod bloklarıdır. Bir sınıfa veya bir nesneye ait olan fonksiyonlar veya işlevlerdir. Bu yöntemler, nesneler arasında iletişim kurmak ve belirli görevleri gerçekleştirmek için kullanılır.

class Araba: def init(self, marka, model): self.marka = marka self.model = model self.hiz = 0

def hizlan(self, artis):
    self.hiz += artis

def yavasla(self, azalis):
    self.hiz -= azalis

def dur(self):
    self.hiz = 0

Araba sınıfından bir örnek oluşturalım

araba1 = Araba(“Toyota”, “Corolla”)

Arabayı hızlandıralım

araba1.hizlan(30)

Arabayı yavaşlatıp durdurma

araba1.yavasla(10) araba1.dur()

print(“Arabanın markası:”, araba1.marka) print(“Arabanın modeli:”, araba1.model) print(“Arabanın hızı:”, araba1.hiz)

https://data.worldbank.org/indicator/ER.H2O.FWTL.ZS?view=chart&locations=CA-CN

library(WDI)

## Warning: package 'WDI' was built under R version 4.3.3

df <- WDI(country = "all", indicator = c("ER.H2O.FWTL.ZS", "SP.POP.TOTL"))

str(df)

## 'data.frame':    17024 obs. of  6 variables:
##  $ country       : chr  "Afghanistan" "Afghanistan" "Afghanistan" "Afghanistan" ...
##  $ iso2c         : chr  "AF" "AF" "AF" "AF" ...
##  $ iso3c         : chr  "AFG" "AFG" "AFG" "AFG" ...
##  $ year          : int  1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 ...
##  $ ER.H2O.FWTL.ZS: num  NA NA NA NA NA NA NA NA NA NA ...
##   ..- attr(*, "label")= chr "Annual freshwater withdrawals, total (% of internal resources)"
##  $ SP.POP.TOTL   : num  8622466 8790140 8969047 9157465 9355514 ...
##   ..- attr(*, "label")= chr "Population, total"

library(dplyr)

## Warning: package 'dplyr' was built under R version 4.3.3

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(tidyr)

## Warning: package 'tidyr' was built under R version 4.3.3

library(explore)

## Warning: package 'explore' was built under R version 4.3.3

df %>% 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       64 1960         1992.       2023
## 5 ER.H2O.FWTL.ZS dbl   10831   63.6   4813    0.01       129.       7750
## 6 SP.POP.TOTL    dbl     359    2.1  16460 2646    215973749. 7950946801

countries <- unique(df$country)

knitr::kable(countries)

WDI_extra <- as.data.frame(WDI_data$country)

df <- left_join(df, WDI_extra)

## Joining with `by = join_by(country, iso2c, iso3c)`

df <- df %>%
  filter(region != "Aggregates")

df %>% describe_all()

## # 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 ER.H2O.FWTL.ZS dbl    8011   58.2   4414    0.01      138.       7750
##  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          NA

# Group by 'country' and count missing values within each group
missing_data_count <- df %>%
  group_by(country) %>%
  summarize(missing_count = sum(is.na(SP.POP.TOTL)), .groups = 'drop')

# Identify countries with all missing data or more than 20 missing points
countries_with_all_missing <- missing_data_count %>%
  filter(missing_count == 66)  # Change 66 to the total number of observations per country
countries_with_more_than_20_missing <- missing_data_count %>%
  filter(missing_count > 5)  # Change 20 to your desired threshold

# View countries with all missing data or more than 20 missing points
print(countries_with_all_missing)

## # A tibble: 0 × 2
## # ℹ 2 variables: country <chr>, missing_count <int>

## # A tibble: 0 × 2
## # ℹ 2 variables: country <chr>, missing_count <int>

print(countries_with_more_than_20_missing)

## # A tibble: 1 × 2
##   country            missing_count
##   <chr>                      <int>
## 1 West Bank and Gaza            31

## # A tibble: 1 × 2
##   country            missing_count
##   <chr>                      <int>
## 1 West Bank and Gaza            30

# Filter out West Bank and Gaza
df <- df %>%
  filter(!(country %in% c("West Bank and Gaza")))

df %>% describe_all()

## # 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      214   NA          NA          NA
##  2 iso2c          chr       0    0      214   NA          NA          NA
##  3 iso3c          chr       0    0      214   NA          NA          NA
##  4 year           int       0    0       64 1960        1992.       2023
##  5 ER.H2O.FWTL.ZS dbl    7968   58.2   4393    0.01      138.       7750
##  6 SP.POP.TOTL    dbl     214    1.6  13434 2646    24811673. 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          NA

# Subset the original dataset 'df' to keep year bigger than 2000
dff <- df %>%
  filter(year>=2003)

# Group by 'country' and count missing values within each group
missing_data_count <- dff %>%
  group_by(country) %>%
  summarize(missing_count = sum(is.na(ER.H2O.FWTL.ZS)), .groups = 'drop')

dff %>% describe_all()

## # 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      214   NA          NA          NA
##  2 iso2c          chr       0    0      214   NA          NA          NA
##  3 iso3c          chr       0    0      214   NA          NA          NA
##  4 year           int       0    0       21 2003        2013        2023
##  5 ER.H2O.FWTL.ZS dbl    1442   32.1   1803    0.02      132.       7750
##  6 SP.POP.TOTL    dbl     214    4.8   4279 9668    32978052. 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          NA

# Filter out countries no missing values for 'ER.H2O.FWTL.ZS'
countries_to_keep <- missing_data_count %>%
  filter(missing_count == 0) %>%
  pull(country)

# Subset the original dataset 'df' to keep only the selected countries
dff <- dff %>%
  filter(country %in% countries_to_keep)

df %>% describe_all()

## # 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      214   NA          NA          NA
##  2 iso2c          chr       0    0      214   NA          NA          NA
##  3 iso3c          chr       0    0      214   NA          NA          NA
##  4 year           int       0    0       64 1960        1992.       2023
##  5 ER.H2O.FWTL.ZS dbl    7968   58.2   4393    0.01      138.       7750
##  6 SP.POP.TOTL    dbl     214    1.6  13434 2646    24811673. 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          NA

# Calculate ratios for each country
df_ratios <- dff %>%
  group_by(year) %>%
  summarise(
    world_gdp = sum(ER.H2O.FWTL.ZS),
    world_population = sum(SP.POP.TOTL),
    world_gdp_perp = world_gdp/world_population
  ) 

# Plotting total production per person after 2000
library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.3.3

ggplot(df_ratios, aes(x = year, y = world_gdp_perp)) +
  geom_line() +
  labs(
    title = "Total Production per Person after 2000",
    x = "Year",
    y = "Total Production per Person"
  )

dff <- left_join(dff, df_ratios, by='year')

dff <- dff %>%
  mutate(
    country_ratio = ER.H2O.FWTL.ZS / world_gdp * 100,
    population_ratio = SP.POP.TOTL / world_population * 100,
    verim = country_ratio / population_ratio
  )

dff <- dff %>%
  arrange(country, year) %>%
  group_by(country) %>%
  mutate(cumulative_change = (verim / first(verim) - 1) * 100)

df_TR <- dff %>% filter(country=="canada")

ggplot(df_TR, aes(x = year, y = verim)) +
  geom_line() +
  labs(
    title = "verim in canada after 2000",
    x = "Year",
    y = "Verim"
  )

df_LV <- dff %>% filter(country=="china")

ggplot(df_LV, aes(x = year, y = verim)) +
  geom_line() +
  labs(
    title = "verim in china after 2000",
    x = "Year",
    y = "Verim"
  )

df %>% filter(country %in% c("canada", "china")) %>%
ggplot(aes(x = year,
           y = SP.POP.TOTL,
           col = country)) +
  geom_line()

library(tidyverse)

## Warning: package 'tidyverse' was built under R version 4.3.3

## Warning: package 'tibble' was built under R version 4.3.3

## Warning: package 'readr' was built under R version 4.3.3

## Warning: package 'purrr' was built under R version 4.3.3

## Warning: package 'forcats' was built under R version 4.3.3

## Warning: package 'lubridate' was built under R version 4.3.3

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats   1.0.0     ✔ readr     2.1.5
## ✔ lubridate 1.9.3     ✔ stringr   1.5.1
## ✔ purrr     1.0.2     ✔ tibble    3.2.1
## ── 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 errors