EKONOMETRİ II Vize Projesi
RStudio Nedir?
R Studio, R programlama dilinde projeler oluşturmanızı, kodunuzu organize etmenizi ve paylaşmanızı kolaylaştıran bir dizi özellik sunar. Ayrıca, R Markdown belgeleri oluşturmanıza ve R Studio’nun sunduğu özelliklerle interaktif raporlar ve sunumlar hazırlamanıza olanak tanır.
R Markdown Nedir?
R Markdown, metin, R kodu ve çıktıları içeren zengin içerikli belgeler oluşturmak için kullanılan bir dosya formatıdır. R Markdown belgeleri, metin formatlama özellikleri, R kodunu içeren parçalar ve bu kodun çalıştırılması sonucunda oluşan çıktıları bir arada bulundurur. Bu belgeler, R Studio gibi entegre geliştirme ortamlarında kolayca oluşturulabilir ve yönetilebilir.
BEŞ ÖRNEK PAKET AÇIKLAMA ÖDEVİ
1) animate Paketi Ne İşe Yarar?
“animate” paketi, R programlama dilinde animasyon oluşturmak için kullanılan bir pakettir. Bu paket, ggplot2 ve diğer grafik oluşturma araçlarıyla uyumlu çalışarak çeşitli grafiklerin animasyonlarını oluşturmanıza olanak tanır. “animate” paketi, R’deki animasyon oluşturma sürecini kolaylaştırır ve çeşitli grafik türlerini animasyonlu olarak oluşturmanıza olanak tanır. Bu nedenle, veri analizi, eğitim, sunum ve bilimsel iletişim gibi çeşitli alanlarda yaygın bir şekilde kullanılır.
2) e1071 Paketi Ne İşe Yarar?
“e1071” paketi, R programlama dilinde makine öğrenimi ve istatistiksel sınıflandırma algoritmaları için bir dizi fonksiyon içeren bir pakettir. Özellikle destek vektör makineleri (SVM) ve diğer sınıflandırma algoritmaları için kullanılır. Paket, destek vektör makineleri, k-means kümeleme, Naive Bayes sınıflandırıcıları, karar ağaçları gibi birçok makine öğrenimi algoritmasını içerir. Bu nedenlerden dolayı, “e1071” paketi R kullanıcıları için önemli bir araçtır ve makine öğrenimi uygulamalarında yaygın olarak kullanılır.
3) explore Paketi Ne İşe Yarar?
“explore” paketi, istatistiksel analizler yapmak için kullanılan bir R paketidir. Bu paket, veri keşfi, görselleştirme ve veri analizi için kullanışlı araçlar içerir. “explore” paketi, kullanıcıların veri setlerini daha iyi anlamalarına yardımcı olmak için çeşitli istatistiksel grafikler ve özet istatistikleri oluşturur. “explore” paketi, veri setlerinin keşfi, görselleştirilmesi ve analizi için kullanılan kullanışlı bir araçtır. Veri analitiği ve istatistikle ilgilenen herkes için faydalı olabilir.
4) ggplot2 Paketi Ne İşe Yarar?
“ggplot2” paketi, veri görselleştirmesi için kullanılan güçlü bir R paketidir. Veri görselleştirmesi, veri analizi sürecinde önemli bir adımdır ve verilerinizi anlamak, desenleri keşfetmek ve sonuçları iletmek için görsel grafiklerin oluşturulmasını içerir. “ggplot2”, bu tür görselleştirme işlemlerini kolaylaştıran birçok özellik sunar. “ggplot2”, R kullanıcıları için popüler bir seçenek haline gelmiştir ve veri görselleştirmesi için yaygın olarak tercih edilir. Basit ve temiz bir sözdizimine sahip olması, karmaşık grafiklerin oluşturulmasını kolaylaştırır. Bu nedenle, veri analizi ve sunumu süreçlerinde kullanıcılar arasında popüler bir tercihtir.
5) stringr Paketi Ne İşe Yarar?
“stringr” paketi, metin verilerini işlemek ve manipüle etmek için kullanılan bir R paketidir. Metin verileri genellikle düzensiz veya karmaşık olabilir ve bu tür verilerle çalışmak genellikle zor olabilir. “stringr” paketi, metin işleme görevlerini kolaylaştıran bir dizi işlev içerir. “stringr” paketi, veri analizi ve metin madenciliği gibi çeşitli alanlarda kullanılabilir. Metin verileri içeren birçok veri setiyle çalışırken, metin işleme işlevlerinin kullanılması veri analizi sürecini kolaylaştırabilir ve metin verilerinden anlamlı bilgiler çıkarmanıza yardımcı olabilir.
Örnek1: DÜNYA BANKASI VERİ KATALOĞU (WDI) Mal ve Hizmet İhracatını ve İthalatını Göstergelerini İnceleyelim.
Öncelikle Dünya Bankası Verilerini indirelim. Bunun için install.packages(“WDI”) kodunu kullanabiliriz.
NE.EXP.GNFS.ZS mal ve hizmet ihracatı NE.IMP.GNFS.ZS mal ve hizmet ithalatı
Şimdi inceleyeceğimiz “Mal ve Hizmet İhracatını ve İthalatını” hakkında bilgiler edinelim.
Dünya Bankası’nın veri tabanındaki mal ve hizmet ihracatı göstergesi genellikle “NE.EXP.GNFS.CD” şeklinde kodlanır. Bu gösterge, bir ülkenin uluslararası ticaretindeki mal ve hizmet ihracatını dolar cinsinden ifade eder. Mal ve hizmet ihracatı, bir ülkenin uluslararası rekabet gücünün bir göstergesidir ve genellikle ekonomik kalkınmanın anahtarlarından biri olarak kabul edilir. Bu nedenle, hükümetler ve işletmeler genellikle ihracatı teşvik etmek için çeşitli politikalar ve stratejiler geliştirirler.
Dünya Bankası’nın mal ve hizmet ithalatı verileri, uluslararası ticaretin bir parçası olarak bir ülkenin dış ekonomik ilişkilerini ölçmek için kullanılır. Mal ve hizmet ithalatı, bir ülkenin dış ticaret dengesi, ekonomik büyüme, endüstriyel rekabet gücü ve dışa açıklığı gibi birçok faktörü etkileyen önemli bir göstergedir.
Paketin Kullanımı
Paketten Hangi Verileri Alabileceğimizi Araştırmak
- Dünya Bankası Verilerinin bulunduğu internet sitesine girelim. https://data.worldbank.org/indicator .
- Arama çubuğuna “Imports of goods and services” yazalım ve çıkan göstergeye girelim. Burada verilerin ayrıntılarının çıkacağı internet sitesine yönlendirecektir.
- “Imports of goods and services” göstergesinin kodunu not edelim. Bu kod göstergenin linkinin bulunduğu arama çubuğundan bulabilirsiniz.
- Kodumuz ” NE.IMP.GNFS.ZS ” dur. Bu kod “Imports of goods and services” göstergesini temsil eder.
- https://data.worldbank.org/indicator/NE.IMP.GNFS.ZS?view=chart internet sitesi “Imports of goods and services” göstergesinin verilerinin tamımını gösteren sitedir.
- “Imports of goods and services” göstergesine karşı “Exports of goods and services” yani Mal ve Hizmet İhracatı göstergelerini kullanacağız.
- “Exports of goods and services” kodumuz “NE.EXP.GNFS.ZS” dir. https://data.worldbank.org/indicator/NE.EXP.GNFS.ZS linki population göstergelerini gösterecektir.
Verilerin datasını projemize eklemek
Bunun için öncelikle WDI paketini aktif edelim.
Daha sonra WDI paketinden “Imports of goods and services” ve “Exports of goods and services” göstergelerini çekip mah_data adı altında projeye kayıt edelim.
Şimdi “Imports of goods and services” ve “Exports of goods and services” göstergelerinin bilgilerini projemize ekliyelim.
str kodunu kullanarak verimizin içindeki bilgileri öğrenelim.
“str” fonksiyonu, R programlama dilinde bir nesnenin yapısını görsel olarak incelemek için kullanılır. “str” kısaltması “structure” (yapı) kelimesinden gelir. Bu fonksiyon, bir nesnenin yapısını tanımlar ve bu nesnenin içinde bulunan bileşenlerin türlerini ve değerlerini gösterir.
## '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 ...
## $ NE.EXP.GNFS.ZS: num 4.13 4.45 4.88 9.17 8.89 ...
## ..- attr(*, "label")= chr "Exports of goods and services (% of GDP)"
## $ NE.IMP.GNFS.ZS: num 7.02 8.1 9.35 16.86 18.06 ...
## ..- attr(*, "label")= chr "Imports of goods and services (% of GDP)"explore paketini yükleme
“explore” paketi, R programlama dilinde veri analizi ve keşif işlemleri için kullanılan bir pakettir. Bu paket, veri setlerini daha iyi anlamak ve keşfetmek için çeşitli işlevler sağlar.
“explore” paketinin bir parçası olan ““describe_all()”” işlevi, bir veri kümesindeki tüm sütunlar (değişkenler) için açıklayıcı istatistikler üretmek için kullanılır. Bir veri kümesine uygulandığında, her sütun için ortalama, medyan, standart sapma, minimum, maksimum ve çeyreklik gibi istatistikleri hesaplar ve görüntüler.
## # 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 NE.EXP.GNFS.ZS dbl 6268 36.8 10648 0.01 34.2 434.
## 6 NE.IMP.GNFS.ZS dbl 6153 36.1 10765 0.02 38.5 429.tidyverse paketi yükleme
“Tidyverse”, R programlama dilinde veri analizi ve veri görselleştirme için kullanılan bir paket koleksiyonudur. “Tidyverse”, veri analizi sürecini daha kolay ve etkili hale getirmeyi amaçlayan bir dizi R paketini bir araya getirir.
“Tidyverse”, temiz ve düzenli veri işleme ve analizi için özellikle güçlüdür. Paketin içindeki araçlar, veri manipülasyonu, görselleştirme, modelleme ve raporlama gibi çeşitli veri analizi görevlerini kolaylaştırmak için tasarlanmıştır.
Pipe (%>%) Operatörünü kullanma
“Pipe” operatörü “%>%”, “tidyverse” paketinde yer alan magrittr paketi tarafından sağlanır ve veri işleme işlemlerini daha okunaklı hale getirmek için kullanılır. Bu operatör, işlemleri birbirine bağlamak ve veri akışını sağlamak için kullanılır.
Özellikle dplyr ve ggplot2 gibi tidyverse paketlerinde sıkça kullanılan bu operatör, kodunuzu adım adım okunabilir bir şekilde yazmanızı sağlar. Önceki işlem sonucunu bir sonraki işleme otomatik olarak ileten bir tür işlevsellik sağlar.
## # 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 NE.EXP.GNFS.ZS dbl 6268 36.8 10648 0.01 34.2 434.
## 6 NE.IMP.GNFS.ZS dbl 6153 36.1 10765 0.02 38.5 429.Örneğin, bir World Development Indicators (WDI) veri setinde ‘country’ sütunu, veri setindeki her bir gözlemin hangi ülkeye ait olduğunu belirtir. Bu sütunu “ulkeler” adında yeni bir değişkene atamak, bu sütunu daha sonra analizde veya görselleştirmede kullanmak için uygun bir adım olabilir. Bu şekilde, bu bilgiyi daha kolay erişilebilir hale getirebilir ve işlem sürecinde kullanabilirsiniz.
Şimdi bu oluşturduğumuz “ulkeler” datasının WDI datasıyla birleştirelim ve oluşturacağımız yeni datanın adına ‘mah_ekbilgi’ adı verelim.
## Joining with `by = join_by(country, iso2c, iso3c)`DATA TEMİZLEME İŞLEMİ
“mah_ekbilgi” veri çerçevesi içinde “Aggregates” bölgesine sahip olan gözlemler kaldırılarak, bu filtreleme işlemi ile “mah_ekbilgi” veri çerçevesi içinde sadece “Aggregates” olmayan bölge gözlemleri kalır. Bu, genellikle analizde veya görselleştirmede, belirli bir kategoriye sahip gözlemleri çıkarmak için kullanılır.
Veriyi inceleyelim şimdi.
## # 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 NE.EXP.GNFS.ZS dbl 5193 37.7 8565 0.01 36.3 434.
## 6 NE.IMP.GNFS.ZS dbl 5184 37.7 8577 0.02 41.8 429.
## 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 NAŞimdi kaç tane country(ülke) olduğuna bakalım.
## [1] "Afghanistan" "Albania"
## [3] "Algeria" "American Samoa"
## [5] "Andorra" "Angola"
## [7] "Antigua and Barbuda" "Argentina"
## [9] "Armenia" "Aruba"
## [11] "Australia" "Austria"
## [13] "Azerbaijan" "Bahamas, The"
## [15] "Bahrain" "Bangladesh"
## [17] "Barbados" "Belarus"
## [19] "Belgium" "Belize"
## [21] "Benin" "Bermuda"
## [23] "Bhutan" "Bolivia"
## [25] "Bosnia and Herzegovina" "Botswana"
## [27] "Brazil" "British Virgin Islands"
## [29] "Brunei Darussalam" "Bulgaria"
## [31] "Burkina Faso" "Burundi"
## [33] "Cabo Verde" "Cambodia"
## [35] "Cameroon" "Canada"
## [37] "Cayman Islands" "Central African Republic"
## [39] "Chad" "Channel Islands"
## [41] "Chile" "China"
## [43] "Colombia" "Comoros"
## [45] "Congo, Dem. Rep." "Congo, Rep."
## [47] "Costa Rica" "Cote d'Ivoire"
## [49] "Croatia" "Cuba"
## [51] "Curacao" "Cyprus"
## [53] "Denmark" "Djibouti"
## [55] "Dominica" "Dominican Republic"
## [57] "Ecuador" "Egypt, Arab Rep."
## [59] "El Salvador" "Equatorial Guinea"
## [61] "Eritrea" "Estonia"
## [63] "Eswatini" "Ethiopia"
## [65] "Faroe Islands" "Fiji"
## [67] "Finland" "France"
## [69] "French Polynesia" "Gabon"
## [71] "Gambia, The" "Georgia"
## [73] "Germany" "Ghana"
## [75] "Gibraltar" "Greece"
## [77] "Greenland" "Grenada"
## [79] "Guam" "Guatemala"
## [81] "Guinea-Bissau" "Guinea"
## [83] "Guyana" "Haiti"
## [85] "Honduras" "Hong Kong SAR, China"
## [87] "Hungary" "Iceland"
## [89] "India" "Indonesia"
## [91] "Iran, Islamic Rep." "Iraq"
## [93] "Ireland" "Isle of Man"
## [95] "Israel" "Italy"
## [97] "Jamaica" "Japan"
## [99] "Jordan" "Kazakhstan"
## [101] "Kenya" "Kiribati"
## [103] "Korea, Dem. People's Rep." "Korea, Rep."
## [105] "Kosovo" "Kuwait"
## [107] "Kyrgyz Republic" "Lao PDR"
## [109] "Latvia" "Lebanon"
## [111] "Lesotho" "Liberia"
## [113] "Libya" "Liechtenstein"
## [115] "Lithuania" "Luxembourg"
## [117] "Macao SAR, China" "Madagascar"
## [119] "Malawi" "Malaysia"
## [121] "Maldives" "Mali"
## [123] "Malta" "Marshall Islands"
## [125] "Mauritania" "Mauritius"
## [127] "Mexico" "Micronesia, Fed. Sts."
## [129] "Moldova" "Monaco"
## [131] "Mongolia" "Montenegro"
## [133] "Morocco" "Mozambique"
## [135] "Myanmar" "Namibia"
## [137] "Nauru" "Nepal"
## [139] "Netherlands" "New Caledonia"
## [141] "New Zealand" "Nicaragua"
## [143] "Niger" "Nigeria"
## [145] "North Macedonia" "Northern Mariana Islands"
## [147] "Norway" "Oman"
## [149] "Pakistan" "Palau"
## [151] "Panama" "Papua New Guinea"
## [153] "Paraguay" "Peru"
## [155] "Philippines" "Poland"
## [157] "Portugal" "Puerto Rico"
## [159] "Qatar" "Romania"
## [161] "Russian Federation" "Rwanda"
## [163] "Samoa" "San Marino"
## [165] "Sao Tome and Principe" "Saudi Arabia"
## [167] "Senegal" "Serbia"
## [169] "Seychelles" "Sierra Leone"
## [171] "Singapore" "Sint Maarten (Dutch part)"
## [173] "Slovak Republic" "Slovenia"
## [175] "Solomon Islands" "Somalia"
## [177] "South Africa" "South Sudan"
## [179] "Spain" "Sri Lanka"
## [181] "St. Kitts and Nevis" "St. Lucia"
## [183] "St. Martin (French part)" "St. Vincent and the Grenadines"
## [185] "Sudan" "Suriname"
## [187] "Sweden" "Switzerland"
## [189] "Syrian Arab Republic" "Tajikistan"
## [191] "Tanzania" "Thailand"
## [193] "Timor-Leste" "Togo"
## [195] "Tonga" "Trinidad and Tobago"
## [197] "Tunisia" "Turkiye"
## [199] "Turkmenistan" "Turks and Caicos Islands"
## [201] "Tuvalu" "Uganda"
## [203] "Ukraine" "United Arab Emirates"
## [205] "United Kingdom" "United States"
## [207] "Uruguay" "Uzbekistan"
## [209] "Vanuatu" "Venezuela, RB"
## [211] "Virgin Islands (U.S.)" "West Bank and Gaza"
## [213] "Yemen, Rep." "Zambia"
## [215] "Zimbabwe"Şimdi her bir ülkenin kaç tane eksik orman alanı verisi olduğunu bulalım.
eksik_veri <- mah_ekbilgi %>%
group_by(country) %>%
summarise(eksik_NE_EXP = sum(is.na(NE.EXP.GNFS.ZS)),
eksik_NE_IMP = sum(is.na(NE.IMP.GNFS.ZS)))Eksik verilerin listesini yaptıktan sonra datamızda bu eksik verileri azaltmamız gerekiyor. Bunun için belirli bir zaman aralığı seçebiliriz. Biz burada 1999 yılından sonraki verileri ele alacağız.
Daha sonra her bir ülkenin kaç tane eksik veri kaldığını görelim.
eksik_sayisi <- df %>%
group_by(country) %>%
summarise(eksik_NE_EXP = sum(is.na(NE.EXP.GNFS.ZS)),
eksik_NE_IMP = sum(is.na(NE.IMP.GNFS.ZS)))Burada bu kod ile ülkelerin kaç tane eksik veri olduğunun listesini oluşturduk.
Şimdi bu eksik veri sayısını data verimizle birleştirelim.
## Joining with `by = join_by(country)`Görüldüğü üzere hala datamızda eksik verilerin çoğunluğu söz konusu. Bu eksik verileri azaltmanın bir diğer yöntemini kullanarak azaltalım.
Bu kod ile eksik veri sayısında bir filtreleme yaptık. Sadece 4’ ten az olan eksik verileri aldık. Hala datamızda eksik verilerin bulunduğu gözüküyor. Aşağıdaki kodu kullanarak sadece 2020 yılı ve 2020’den sonraki yılları almış olacağız. Böylelikle datamızı daha temiz hale getirmiş olacağız.
Datamızı kontrol edelim şimdi.
## # 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 0 151 NA NA NA
## 2 iso2c chr 0 0 151 NA NA NA
## 3 iso3c chr 0 0 151 NA NA NA
## 4 year int 0 0 22 1999 2010. 2020
## 5 NE.EXP.GNFS.ZS dbl 2 0.1 3321 2.39 40.4 229.
## 6 NE.IMP.GNFS.ZS dbl 2 0.1 3321 4.83 45.6 221.
## 7 region chr 0 0 7 NA NA NA
## 8 capital chr 0 0 148 NA NA NA
## 9 longitude chr 0 0 151 NA NA NA
## 10 latitude chr 0 0 151 NA NA NA
## 11 income chr 0 0 4 NA NA NA
## 12 lending chr 0 0 4 NA NA NA
## 13 eksik_NE_EXP int 0 0 3 1 1.1 3
## 14 eksik_NE_IMP int 0 0 3 1 1.1 3eksik_sayisi <- df %>%
group_by(country) %>%
summarise(eksik_NE_EXP = sum(is.na(NE.EXP.GNFS.ZS)),
eksik_NE_IMP = sum(is.na(NE.IMP.GNFS.ZS)))Görüldüğü üzere datamızı temiz hale getirmiş olduk. Böylelikle data temizleme işlemimiz bitmiş bulunuyor. Şimdi daha düzgün grafikler oluşturabiliriz.
Şimdi Türkiye’nin “Mal ve Hizmet ihracat ve İthalatı” grafiğini çizelim. İlk öncelikle “df_TR” adında bir data oluşturalım. Bu data da sadece Türkiye’nin bilgilerini oluşturacaktır.
GRAFİK OLUŞTURMA ÖRNEKLERİ
TÜRKİYE’NİN YILLARA GÖRE MAL ve HİZMET İHRACAT/İTHALAT DEĞİŞİMİ GRAFİĞİ
Bu kod “df” veri çerçevesinden sadece Türkiye’ye (TR) ait olan gözlemleri filtreleyerek yeni bir veri çerçevesi oluşturur. Bu işlem, “iso2c” sütununda “TR” değerine sahip olan gözlemleri seçer ve yeni bir veri çerçevesi olan “df_TR” içinde bu gözlemleri saklar.
Şimdi bu gözlemleri bir grafik görseline dökelim.
ggplot(df_TR, aes(year)) +
geom_line(aes(y = NE.EXP.GNFS.ZS, color = country, linetype = "Mal İhracatı")) +
geom_line(aes(y = NE.IMP.GNFS.ZS, color = country, linetype = "Mal İthalatı")) +
labs(x = "Yıl", y = "Mal ve Hizmet İhracatı-İthalatı", title = "TÜRKİYE'NİN İHRACATI ve İTHALATI") +
theme_minimal()
Bu R kodu, ggplot2 paketini kullanarak “df_TR” adında bir veri çerçevesinden (varsayılan olarak df_TR olarak adlandırılan bir veri çerçevesi olarak alınmıştır), yıllara göre Türkiye (TR) Mal ve Hizmet İhracatı/İthalatı gösteren bir çizgi grafiği oluşturur.
DÜNYA’NIN MAL ve HİZMET İHRACAT/İTHALAT GRAFİĞİ
dunya_verisi <- df %>%
group_by(year) %>%
summarise(
toplam_ihracat = sum(NE.EXP.GNFS.ZS, na.rm = TRUE),
toplam_ithalat = sum(NE.IMP.GNFS.ZS, na.rm = TRUE),
toplam_hacim = toplam_ihracat + toplam_ithalat
) Bu kod ile yeni bir veri seti oluşturarak yıllara göre toplam ihracat, toplam ithalat ve toplam hacim gibi özet istatistiklerin hesaplanmasını yapıp listeleme oluşturur..
Şimdi çizgi grafiği kullanarak veri setini görselleştirelim.
ggplot(dunya_verisi, aes(x = year, y = toplam_ihracat)) +
geom_line(colour="blue") +
labs(
title = "dunya ihracat hacmi",
x = "Yıl",
y = "toplam ihracat"
)
ggplot(dunya_verisi, aes(x = year, y = toplam_ithalat)) +
geom_line(colour="blue") +
labs(
title = "dunya ithalat hacmi",
x = "Yıl",
y = "toplam ithalat"
)
ggplot(dunya_verisi, aes(x = year)) +
geom_line(aes(y = toplam_ihracat, color = "Toplam İhracat")) +
geom_line(aes(y = toplam_ithalat, color = "Toplam İthalat"), linetype = "dashed") +
labs(
title = "Dunya İhracat ve İthalat Hacmi",
x = "Yıl",
y = "Hacim"
) +
scale_color_manual(values = c("Toplam İhracat" = "blue", "Toplam İthalat" = "red")) +
theme_minimal()
Şimdi datamız ile bu veri setinin birleştirelim.
df <- df %>%
mutate(
ihracat_orani = NE.EXP.GNFS.ZS / toplam_ihracat * 100,
ithalat_orani = NE.IMP.GNFS.ZS / toplam_ithalat * 100,
denge = ihracat_orani / ithalat_orani
)Bu R kodu, df veri çerçevesine üç yeni sütun ekler. Yeni eklenen sütunlar, mevcut sütunlardan bazılarının işlenerek elde edilen oranları içerir. Bu işlem, df veri çerçevesine ek sütunlar ekleyerek oranları hesaplar ve bu oranları kullanarak yeni bir sütun oluşturur.
df <- df %>%
arrange(country, year) %>%
group_by(country) %>%
mutate(cumulative_change = (denge / first(denge) - 1) * 100)Bu R kodu, df veri çerçevesini sıralar, ülkeleri gruplar ve her ülke için kümülatif değişimi hesaplar. Bu işlem, her bir ülkenin verimlilik oranındaki değişimi kümülatif olarak hesaplayarak, zaman içindeki trendleri ve farklı ülkeler arasındaki performans farklarını anlamak için kullanılır.
TÜRKİYE’NİN TİCARET DENGESİ GRAFİĞİ
İlk önce “df_TR” adında bir veri seti oluşturalım. Bu veri seti sadece Türkiye’ye ait verileri bir sütun haline getirecektik.
Şimdi bu veri setinin çizgi grafiğini oluşturup görselleştirelim.
ggplot(df_TR, aes(x = year, y = denge)) +
geom_line(color = "blue") +
labs(
title = "Turkiye'nin Ticaret Dengesi",
x = "Yıl",
y = "Denge"
) +
theme_minimal()
TÜRKİYE ve ALMANYA’NIN İHRACAT ORANLARI KARŞILAŞITMASI GRAFİĞİ
df %>%
filter(country %in% c("Turkiye", "Germany")) %>%
ggplot(aes(x = year, y = NE.EXP.GNFS.ZS, col = country)) +
geom_point() +
labs(
title = "Türkiye ve Almanya'nın İhracat Oranları Karşılaştırması",
x = "Yıl",
y = "İhracat Oranı"
) +
theme_minimal()
TÜRKİYE ve ALMANYA’NIN İTHALAT ORANLARI KARŞILAŞTIRMASI GRAFİĞİ
df %>%
filter(country %in% c("Turkiye", "Germany")) %>%
ggplot(aes(x = year, y = NE.IMP.GNFS.ZS, col = country)) +
geom_point() +
labs(
title = "Türkiye ve Almanya'nın İthalat Oranları Karşılaştırması",
x = "Yıl",
y = "İthalat Oranı"
) +
theme_minimal()
Bu kod, R dilindeki dplyr ve ggplot2 paketlerini kullanarak bir veri çerçevesini (df) filtreleyip, sonra “Turkiye” (Türkiye) ve “Germany” (Almanya) ülkelerinin yıllara göre İhracat (NE.EXP.GNFS.ZS) ve İthalat (NE.IMP.GNFS.ZS) nokta grafiği ile görselleştirmek için kullanılır. Sonuç olarak, bu kod parçası, Türkiye ve Almanya’nın yıllara göre İhracat vbe İthalat miktarlarını görselleştirmek için kullanılır.
2019 YILINDAKİ TÜM ÜLKELERİN GRAFİĞİ
Öncelikle “data_2019” adında 2019 yılındaki tüm ülkelerin verilerinin oluştuğu bir veri seti oluşturalım.
Şimdi bu veri setini görsellşetirelim.
library(ggplot2)
library(ggrepel)
ggplot(data_2019, aes(x = NE.EXP.GNFS.ZS, y = NE.IMP.GNFS.ZS, label = iso2c, colour = region)) +
geom_point(size = 3, alpha = 0.7) +
geom_text_repel(aes(fill = region), hjust = -0.2, vjust = -0.5, size = 3) +
scale_color_brewer(palette = "Set1") +
labs(
title = "2019 Yılında Ülkelerin İhracat ve İthalat Oranları",
x = "İhracat Oranı",
y = "İthalat Oranı"
) +
theme_minimal() +
theme(
axis.title = element_text(size = 14, face = "bold"),
axis.text = element_text(size = 12),
plot.title = element_text(size = 16, face = "bold", hjust = 0.5)
)## Warning in geom_text_repel(aes(fill = region), hjust = -0.2, vjust = -0.5, :
## Ignoring unknown aesthetics: fill## Warning: ggrepel: 125 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
Bu R kodu, 2019 yılına ait dünya genelindeki ithalat ile ihracat verilerini görselleştirmek için bir nokta grafiği oluşturur.