EKONOMETRI 2 VISE PROJESI
R Markdown Projesi Girişi:
R Paketleri: Genel Bakış R paketleri genel olarak, R programlama dilinin işlevselliğini genişleten ve çeşitli analiz, görselleştirme ve veri işleme işlemleri için önceden yazılmış fonksiyonları içeren kütüphanelerdir. Her bir paket, belirli bir amaç için tasarlanmış fonksiyonları bir araya getirir ve kullanıcılara belirli bir problemi çözmek için gerekli araçları sağlar.
R Paketlerinin Önemi R paketleri, veri analizi ve istatistikte çok önemli bir role sahiptir. Bunlar, karmaşık analizleri gerçekleştirmek için gerekli olan fonksiyonları ve araçları sağlarlar. Ayrıca, paketler genellikle güncellenir ve geliştirilir, bu da kullanıcıların en son yöntemleri ve teknikleri kullanmalarını sağlar.
R Paketlerine Erişme ve Kullanma Bir R Markdown projesinde, R paketlerine erişmek ve kullanmak oldukça kolaydır. İlk olarak, projenizin başlangıcında kullanmayı planladığınız paketleri yüklemeniz gerekir. Bu işlem,
install.packages()fonksiyonunu kullanarak yapılabilir. Ardından, projenizde belirli bir paketi kullanmak için,library()fonksiyonunu kullanarak ilgili paketi yüklemeniz ve çağırmanız gerekir. Bu şekilde, projenizdeki R kodunda paketin fonksiyonlarını doğrudan kullanabilirsiniz.
R Markdown projeleri, veri analizi ve raporlama işlemlerini bir araya getirmek için güçlü bir araçtır ve R paketleri bu projelerin temel bileşenlerindendir. Bu projeleri kullanarak, veri analizi ve raporlama işlemlerini etkili bir şekilde gerçekleştirebilir ve sonuçları kolayca paylaşabilirsiniz.
Proje Amaçları:
Veri Çekme: Dünya Kalkınma Göstergeleri (DKG) veritabanından ekonomik veri çekmek için
WDIpaketini kullanacağız. Belirli ülkeler için belirli ekonomik göstergeleri (örneğin, “Gayrisafi Yurtiçi Hasıla içinde Sanayinin Katkısı”) almayı hedefliyoruz.Veri Manipülasyonu: Çektiğimiz verileri analiz etmek ve manipüle etmek için
dplyrvetidyrgibi R paketlerini kullanacağız. Bu paketler, veri çerçevelerinde filtreleme, seçme, yeni sütunlar ekleme ve veriyi gruplama gibi işlemleri gerçekleştirmemize olanak tanır.Veri Görselleştirme: Analizlerimizi ve bulgularımızı görselleştirmek için
ggplot2gibi R paketlerini kullanacağız. Bu paketler, çeşitli grafik türleriyle verileri görselleştirmemize olanak tanır, böylece verileri daha anlamlı ve anlaşılabilir hale getirebilirizVeri Keşfi: Verilerimizi keşfetmek için
exploregibi R paketlerini kullanacağız. Bu paketler, veri setinin özelliklerini ve ilişkilerini keşfetmek için çeşitli görsel ve istatistiksel araçlar sağlar, böylece verilerimizin derinlemesine anlayışını geliştirebiliriz.
paket 1 : WDI
WDI (World Development Indicators), Dünya Bankası tarafından sağlanan bir R paketidir. Bu paket, Dünya Kalkınma Göstergeleri (DKG) veritabanından çeşitli ekonomik ve sosyal göstergeleri çekmek için kullanılır. DKG veritabanı, dünya genelindeki ülkelerin ekonomik, sosyal ve çevresel durumları hakkında kapsamlı verilere sahiptir. WDI paketi, bu verilere erişmek ve çekmek için kullanılan bir araçtır ve kullanıcıların belirli ülkeler, göstergeler ve zaman aralıkları için veri çekmelerine olanak tanır.
Veri çekme işlemlerinde, WDI paketi çeşitli ekonomik göstergelerin kodlarına sahiptir ve bu kodlar kullanılarak belirli bir ülke için belirli bir göstergenin verisi çekilebilir. Ayrıca, çekilen verileri belirli bir zaman aralığına göre filtreleme ve belirli bir formatta alma gibi çeşitli seçenekler sunar.
Veri Çekme İşlemi Şimdi, WDI paketinin kullanımını bir kod örneği üzerinden inceleyelim:
# WDI paketini yükle
library(WDI)
# Ülkeleri ve sanayi göstergesini tanımla
countries <- c("US", "DE", "CN") # ABD, Almanya, Çin
indicator <- "NV.IND.MANF.ZS" # Gayrisafi Yurtiçi Hasıla içinde sanayinin katkısı
# Her ülke için veri çek
data_list <- lapply(countries, function(country) {
WDI(country = country, indicator = indicator, start = 2000, end = 2020)
})
# Her ülke için veri setinin ilk birkaç satırını yazdır
for (i in 1:length(countries)) {
country <- countries[i]
cat(country, "için veri:\n")
print(head(data_list[[i]]))
}## US için veri:
## country iso2c iso3c year NV.IND.MANF.ZS
## 1 United States US USA 2020 10.62906
## 2 United States US USA 2019 11.05804
## 3 United States US USA 2018 11.34807
## 4 United States US USA 2017 11.25886
## 5 United States US USA 2016 11.22364
## 6 United States US USA 2015 11.66231
## DE için veri:
## country iso2c iso3c year NV.IND.MANF.ZS
## 1 Germany DE DEU 2020 18.74376
## 2 Germany DE DEU 2019 19.57926
## 3 Germany DE DEU 2018 20.03884
## 4 Germany DE DEU 2017 20.39034
## 5 Germany DE DEU 2016 20.66187
## 6 Germany DE DEU 2015 20.34790
## CN için veri:
## country iso2c iso3c year NV.IND.MANF.ZS
## 1 China CN CHN 2020 26.28517
## 2 China CN CHN 2019 26.77472
## 3 China CN CHN 2018 27.84101
## 4 China CN CHN 2017 28.10894
## 5 China CN CHN 2016 28.06944
## 6 China CN CHN 2015 28.95167Bu kod örneğinde, WDI paketini kullanarak belirli ülkeler için belirli bir ekonomik göstergenin verisini çekiyoruz. Çekilen veriler, her bir ülke için ayrı ayrı bir veri çerçevesi olarak data_list listesinde depolanır. Sonrasında, her bir ülkenin veri setinin ilk birkaç satırını yazdırarak verilerin doğruluğunu kontrol ediyoruz.
Paket 2: ggplot2
ggplot2 paketi, veri görselleştirmesi için kullanılan bir R paketidir. Bu paket, grafik oluşturmak için kullanılan çeşitli geometrik şekiller ve temalar sağlar. ggplot2, kullanıcı dostu ve esnek bir grafik oluşturma aracıdır ve çeşitli grafik türlerini destekler.
library(ggplot2)
# Verileri birleştir ve eksik değerleri filtrele
veri <- do.call(rbind, lapply(data_list, function(data) {
data$Country <- as.character(data$iso2c[1])
return(data)
}))
veri <- na.omit(veri)
# Görselleştirme
ggplot(veri, aes(x = year, y = NV.IND.MANF.ZS, color = Country)) +
geom_line() +
facet_wrap(~Country) +
labs(title = "GSYH'nin Yüzdesi Olarak İmalat Katma Değeri",
x = "YIL",
y = "İmalat Katma Değeri (% of GDP)",
color = "ÜLKE")
Yukarıdaki kod örneği, ggplot2 paketini kullanarak çekilen verileri
görselleştirmek için bir grafik oluşturur. Grafik, yıllara göre imalat
katma değerini gösteren çizgi grafiklerinden oluşur ve her bir ülkeyi
ayrı bir panelde gösterir. Ayrıca, grafikteki bileşenlerin
açıklamalarını içeren uygun eksen ve başlık etiketleri de
sağlanmıştır.
ggplot2 paketinin sağladığı esneklik ve özelleştirme seçenekleri, verileri etkili bir şekilde görselleştirmek ve anlamak için kullanıcıya geniş bir alan sağlar. Bu paket, veri keşfi ve analizi süreçlerinde önemli bir araçtır ve çeşitli grafik türlerini oluşturmak için yaygın olarak tercih edilir.
# Eğim ile Birlikte Hat Grafik
ggplot(veri, aes(x = year, y = NV.IND.MANF.ZS, color = Country)) +
geom_smooth(method = "lm", se = TRUE) +
labs(title = "Gayrisafi Yurtiçi Hasıla İçinde Sanayinin Katkısının Trendi",
x = "Yıl",
y = "Sanayinin Katkısı (% GDP)",
color = "Ülke")## `geom_smooth()` using formula = 'y ~ x'
# Yoğunluk Grafiği
ggplot(veri, aes(x = NV.IND.MANF.ZS, fill = Country)) +
geom_density(alpha = 0.5) +
labs(title = "Gayrisafi Yurtiçi Hasıla İçinde Sanayinin Katkısının Dağılımı",
x = "Sanayinin Katkısı (% GDP)",
y = "Yoğunluk",
fill = "Ülke") +
theme_minimal()
## Paket 3: dplyr dplyr paketi, veri işleme ve dönüşüm işlemleri için
kullanılan bir R paketidir. Bu paket, veri işleme süreçlerini
kolaylaştıran bir dizi işlev sağlar ve veri manipülasyonunu hızlı ve
etkili bir şekilde gerçekleştirir.
##
## 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# Her veri çerçevesi üzerinde veri işleme görevlerini gerçekleştirmek için bir işlev tanımla
process_data <- function(data) {
# Belirli bir yıl aralığı için veriyi filtrele
filtered_data <- data %>%
filter(year >= 2010 & year <= 2020)
# Veriyi özetleyerek ortalama değeri hesapla
summary_stats <- data %>%
summarize(mean_value = mean(NV.IND.MANF.ZS, na.rm = TRUE))
# İşlenmiş veriyi döndür
list(filtered_data = filtered_data, summary_stats = summary_stats)
}
# process_data işlevini data_list'teki her veri çerçevesi için uygula
processed_data <- lapply(data_list, process_data)
# Her ülke için işlenmiş veriyi yazdır
for (i in seq_along(countries)) {
country <- countries[i]
cat(country, "için işlenmiş veri:\n")
print(processed_data[[i]])
}## US için işlenmiş veri:
## $filtered_data
## country iso2c iso3c year NV.IND.MANF.ZS
## 1 United States US USA 2020 10.62906
## 2 United States US USA 2019 11.05804
## 3 United States US USA 2018 11.34807
## 4 United States US USA 2017 11.25886
## 5 United States US USA 2016 11.22364
## 6 United States US USA 2015 11.66231
## 7 United States US USA 2014 11.65548
## 8 United States US USA 2013 11.79812
## 9 United States US USA 2012 11.85756
## 10 United States US USA 2011 11.94725
## 11 United States US USA 2010 11.90609
##
## $summary_stats
## mean_value
## 1 12.28484
##
## DE için işlenmiş veri:
## $filtered_data
## country iso2c iso3c year NV.IND.MANF.ZS
## 1 Germany DE DEU 2020 18.74376
## 2 Germany DE DEU 2019 19.57926
## 3 Germany DE DEU 2018 20.03884
## 4 Germany DE DEU 2017 20.39034
## 5 Germany DE DEU 2016 20.66187
## 6 Germany DE DEU 2015 20.34790
## 7 Germany DE DEU 2014 20.22439
## 8 Germany DE DEU 2013 19.92520
## 9 Germany DE DEU 2012 20.15645
## 10 Germany DE DEU 2011 20.23300
## 11 Germany DE DEU 2010 19.69521
##
## $summary_stats
## mean_value
## 1 19.99349
##
## CN için işlenmiş veri:
## $filtered_data
## country iso2c iso3c year NV.IND.MANF.ZS
## 1 China CN CHN 2020 26.28517
## 2 China CN CHN 2019 26.77472
## 3 China CN CHN 2018 27.84101
## 4 China CN CHN 2017 28.10894
## 5 China CN CHN 2016 28.06944
## 6 China CN CHN 2015 28.95167
## 7 China CN CHN 2014 30.39644
## 8 China CN CHN 2013 30.67101
## 9 China CN CHN 2012 31.52858
## 10 China CN CHN 2011 32.06479
## 11 China CN CHN 2010 31.61282
##
## $summary_stats
## mean_value
## 1 30.2897Yukarıdaki kod örneği, dplyr paketini kullanarak veri işleme işlemlerini gerçekleştirir. İşlev, her bir veri çerçevesi için belirli bir yıl aralığında filtreleme yapar ve sonra ortalama değeri hesaplar. Sonuç olarak, her ülkenin işlenmiş verisini gösteren bir liste oluşturulur ve yazdırılır.
Paket 4: tidyr
tidyr paketi, veri dönüştürme ve yeniden şekillendirme işlemleri için kullanılan bir R paketidir. Bu paket, veriyi geniş formattan (wide format) uzun formata (long format) veya tersine dönüştürmek için kullanılır ve veri dönüşümlerini kolaylaştırır.
# tidyr paketini yükle
library(tidyr)
# Örnek veri çerçevesi
data <- data.frame(
Country = c("US", "DE", "CN"),
mean_value = c(12.28484, 19.99349, 30.2897),
median_value = c(70, 75, 65)
)
# Veriyi geniş formattan uzun formata dönüştür
data_long <- pivot_longer(data, cols = c(mean_value, median_value), names_to = "Istatistik", values_to = "Değer")
# Uzun formattaki veriyi yazdır
print(data_long)## # A tibble: 6 × 3
## Country Istatistik Değer
## <chr> <chr> <dbl>
## 1 US mean_value 12.3
## 2 US median_value 70
## 3 DE mean_value 20.0
## 4 DE median_value 75
## 5 CN mean_value 30.3
## 6 CN median_value 65# Veriyi uzun formattan geniş formata dönüştür
data_genis <- pivot_wider(data_long, names_from = Istatistik, values_from = Değer)
# Geniş formattaki veriyi yazdır
print(data_genis)## # A tibble: 3 × 3
## Country mean_value median_value
## <chr> <dbl> <dbl>
## 1 US 12.3 70
## 2 DE 20.0 75
## 3 CN 30.3 65Yukarıdaki kod örneği, tidyr paketini kullanarak veri dönüştürme işlemlerini gerçekleştirir. İlk olarak, geniş formattaki veriyi uzun forma dönüştürmek için pivot_longer fonksiyonu kullanılır. Daha sonra, uzun formattaki veriyi tekrar geniş forma dönüştürmek için pivot_wider fonksiyonu kullanılır. Her bir adımda, verinin nasıl dönüştürüldüğünü gösteren sonuçlar yazdırılır.
packet 5 : explore
Yukarıdaki kod, explore paketini yükler ve ardından veri setini keşfetmek için explore fonksiyonunu kullanır. Bu fonksiyon, veri setinin genel özelliklerini, özet istatistiklerini ve değişkenler arasındaki ilişkileri görsel olarak keşfetmeye yardımcı olan etkileşimli bir arayüz sağlar. Bu sayede, veri setinin yapısı ve özellikleri hakkında daha fazla bilgi edinilebilir.
## Warning in explore_shiny(data, ...): This function can only be used in an
## interactive R session