Ekonometri Projesi

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.

Vize Projesi R ve Rstudio R ve Rsrudio yükledim.

Rmarkdown projesi hazırladım. Projemi rmarkdownda hazırladım, ve internet siteme yükledim.

Paketler R paketleri, R programlama dilinin temel işlevlerini genişletmek için tasarlanmış bir araç ve kaynaklar kümesidir. Bu paketler, işlevler, veri kümeleri ve diğer ek materyalleri bir araya getirir ve belirli bir amaca hizmet etmek üzere paketlenir. Her paket, belirli analitik veya hesaplama ihtiyaçlarını karşılamak için özel olarak tasarlanmış bir araç kutusu olarak hizmet eder. Bu paketler, çeşitli görevleri verimli ve etkili bir şekilde yerine getirmenizi sağlayarak R’nin makine tarafından kullanılan dişlileridir.

Paketler neden önemlidir? İstatistiksel araştırma ve veri keşfi alanına adım attığınızda, paketleri anlamak ve kullanmak önemlidir. Paketler size bir dizi işlev sağlayarak, veri ediniminden temizliğine ve istatistiksel analizden görselleştirmeye kadar çeşitli görevleri yerine getirmenizi sağlar. Paketler kullanarak karmaşık işlemler için önceden yazılmış kod sağlayarak zaman ve çaba tasarrufu sağlar.

Paketlere nasıl erişilir? R’de paketlere erişmek ve kullanmak basit bir işlemdir. Ana adımlar kurulum, yükleme ve kullanımdan oluşur. İşlem, bir kez yapılacak olan kurulum ile başlar.

Kurulduktan sonra, paket, işlevlerine ve veri kümelerine erişmek için R oturumunuza yüklenmelidir.

Yüklendikten sonra, paket tarafından sağlanan işlevleri kullanarak çeşitli görevleri yerine getirebilir ve analitik araç kutunuzu güçlendirebilirsiniz.

Beş Tane Paket

(!)dplyr

Tanımı: dplyr, veri manipülasyonu ve veri analizi için R programlama dilinde oldukça popüler bir pakettir. Veri çerçeveleri ve veri tabloları üzerinde işlemler yapmayı kolaylaştırır ve veri işleme süreçlerini daha okunabilir ve etkili hale getirir.

Özellikleri: Kolay Kullanım: dplyr, kullanıcıların veri çerçeveleri üzerinde temel ve yaygın işlemleri kolayca gerçekleştirmelerini sağlar.

Pipelining (Boru Hatları) Desteği: dplyr, %>% operatörü sayesinde işlemleri sıralı bir şekilde zincirleme imkanı sunar, bu da kodun daha okunabilir hale gelmesini sağlar.

Veri İşleme Fonksiyonları: dplyr, veri çerçeveleri üzerinde filtreleme, seçme, sıralama, toplama ve gruplama gibi işlemleri gerçekleştirmek için kullanılan işlevleri içerir.

Veri Tablolarıyla Uyumlu: dplyr, veri tabloları ve veri çerçeveleriyle uyumludur ve bu tür veri yapılarının manipülasyonunu hızlandırır.

Performans: dplyr, verimlilik odaklı bir şekilde tasarlanmıştır, bu da büyük veri kümeleriyle çalışırken bile hızlı ve etkin olmasını sağlar.

Önemi: dplyr, R kullanıcılarının veri analizi ve manipülasyonu için temel bir araç haline gelmiştir. Veri bilimciler ve analistler, veri işleme süreçlerini daha etkili bir şekilde yönetmek için sıklıkla dplyr’ı tercih ederler çünkü kodları daha okunabilir ve yeniden kullanılabilir hale getirir. Bu nedenle, R topluluğunda ve veri bilimi alanında oldukça önemli bir yer tutar.

(2)rmarkdown

RMarkdown, R programlama dili kullanılarak oluşturulmuş bir pakettir ve RStudio tarafından geliştirilmiştir. RMarkdown belgeleri, metin, R kodu ve sonuçların birleştirilmesini sağlayarak etkileşimli ve yeniden üretilebilir belgeler oluşturmanıza olanak tanır.

Paket Tanımı: RMarkdown, belgeleri dinamik ve yeniden üretilebilir hale getiren bir R paketidir. Metin, R kodu ve sonuçları bir araya getirerek etkileşimli raporlar, sunumlar, makaleler ve web siteleri oluşturmanızı sağlar.

Özellikleri: Çeşitlilik: Metin, R kodu, grafikler, tablolar, ve sonuçlarınızı tek bir belgede birleştirebilirsiniz. Yeniden Üretilebilirlik: Kodunuzu ve analizlerinizi belgeye eklerseniz, belge her zaman güncel sonuçlarla yeniden derlenebilir. Destek: HTML, PDF, Word, ve daha fazlası gibi farklı çıktı formatlarını destekler. Şablolar: Önceden tanımlanmış şablonlar kullanarak belgelerinizi biçimlendirebilirsiniz. Kod Yürütme: RMarkdown belgelerinde R kodunu doğrudan yürütebilir ve sonuçları görüntüleyebilirsiniz.

Önemi: Reprodüktibilite: Analizlerinizi ve sonuçlarınızı açık bir şekilde belgelemenizi sağlayarak araştırmanızın yeniden üretilebilirliğini artırır. İletişim: Karmaşık analizlerinizi açıklamak ve paylaşmak için etkili bir yol sağlar. Çoklu Format Desteği: Farklı çıktı formatlarında belge üretme esnekliği sunar, böylece sonuçlarınızı farklı platformlarda paylaşabilirsiniz.

(3)e107

Tanımı: e107, PHP tabanlı açık kaynaklı bir CMS’dir. Kullanıcıların kolayca web siteleri oluşturmasını sağlar. Modüler yapısı sayesinde çeşitli eklentiler ve temalarla genişletilebilir.

Özellikleri: Kullanıcı Dostu Arayüz: e107, kullanıcı dostu bir yönetim paneline sahiptir, bu da içerikleri kolayca yönetmeyi sağlar. Modüler Yapı: Modüler yapısı sayesinde, kullanıcılar ihtiyaçlarına göre özellikler ekleyebilir veya kaldırabilir. Güvenlik: Güvenlik önlemleriyle bilinir ve düzenli olarak güncellenir, böylece web siteleri güvende kalır. SEO Dostu: Arama motoru optimizasyonu (SEO) için uygun yapıda olup, web sitelerinin arama motorlarında daha iyi sıralama almasını sağlar. Genişletilebilirlik: Eklenti ve tema desteği sayesinde, kullanıcılar web sitelerini istedikleri gibi özelleştirebilirler. Topluluk Desteği: e107’nin aktif bir topluluğu vardır, bu da kullanıcıların sorunları çözmelerine veya yeni özellikler eklemelerine yardımcı olur.

Önemi: Kolay Kullanım: e107, kullanıcı dostu bir arayüze sahiptir, bu da teknik bilgisi olmayan kişilerin bile kolayca web siteleri oluşturmasını sağlar. Esneklik: Modüler yapısı ve genişletilebilir özellikleri sayesinde, e107 farklı ihtiyaçlara ve sektörlere uygun web siteleri oluşturabilir. Güvenlik: Güvenlik önlemleriyle bilinen e107, web sitelerinin güvenliğini sağlamak için düzenli olarak güncellenir ve bakım yapılır.

(4)caTools

Tanımı: caTools, R programlama dilinde veri analizi ve makine öğrenimi için kullanılan bir pakettir. Bu paket, çeşitli araçlar ve fonksiyonlar sağlar ve veri işleme, model oluşturma ve değerlendirme gibi işlemleri kolaylaştırır.

Özellikleri: caTools paketinin temel özellikleri arasında veri bölütleme (örneğin, eğitim ve test setlerine ayırma), cross-validation (örneğin, k-fold cross-validation), ve model performansını değerlendirme (örneğin, ROC eğrisi çizme) gibi işlemleri gerçekleştirmek için fonksiyonlar bulunur.

Önemi: caTools, veri bilimi ve makine öğrenimi uygulamalarında önemli bir araç olarak kabul edilir. Özellikle, model geliştirme sürecinde veri işleme, model seçimi ve doğrulama gibi adımları kolaylaştırır. Bu sayede, kullanıcıların zamanını ve çabasını azaltırken, daha güvenilir ve performanslı modellerin oluşturulmasına yardımcı olur. Bu nedenle, bu paket veri analizi ve makine öğrenimi alanında çalışanlar için vazgeçilmez bir kaynaktır.

(5)ringostat

Paket Tanımı: Ringosta, genellikle polietilen veya polipropilen gibi esnek plastik malzemelerden yapılan bir tür streç film olarak tanımlanır. Ürünlerin taşınması veya depolanması sırasında koruma sağlamak için kullanılır.

Özellikler: Esneklik: Ringosta, esnek bir malzeme olduğu için çeşitli şekil ve boyutlardaki nesneleri kolayca sarmak için idealdir. Şeffaflık: Çoğu ringosta, ürünlerin görünmesine izin veren şeffaf bir yapıya sahiptir, bu da envanter yönetimi ve ürün tanımlama açısından faydalıdır. Yapışkanlık: Ringosta, kendinden yapışkanlı olabilir, böylece ürünleri sıkıca sarar ve sabitler, bu da taşıma sırasında kaymalarını önler. Direnç: Kaliteli ringostalar, yırtılmaya ve delinmeye karşı dayanıklıdır, bu da ürünlerin güvenli bir şekilde paketlenmesini sağlar. Gerilme Yeteneği: Ringosta, gerildiğinde uzar ve esner, bu da nesneleri sıkıca sarar ve korur.

Önemi: Koruma: Ringosta, ürünleri dış etkenlerden korur, bunlar arasında toz, nem, kir ve hasarlar bulunur. Taşıma Kolaylığı: Ürünlerin taşınması sırasında ringostalı paketleme, ürünlerin sabitlenmesini ve kaymasını önler, böylece hasar riskini azaltır. Depolama: Ringostalı paketleme, depolama sırasında ürünlerin düzenli ve yerden tasarruf sağlayan bir şekilde istiflenmesine yardımcı olur. Profesyonel Görünüm: Ringostalı paketleme, ürünlerin sunumu ve müşteriye ulaştırılması sırasında profesyonel bir görünüm sağlar, bu da marka imajını güçlendirir. Ringosta, birçok endüstride, özellikle de lojistik, perakende ve gıda sektörlerinde yaygın olarak kullanılan önemli bir paketleme malzemesidir.

İKİ TANE ÜLKE

GAYRİSAFİ YURTİÇİ HASILA (GSYH) VE GAYRİ SAFİ MİLLİ HASILA (GSMH) KAVRAMLARI GSYH’nın

bir üretim ölçüsü olarak kullanılabilmesi için kesin olarak üretime neyin girdiğinin, üretimin nerede ve ne zaman yapıldığının bilinmesi gerekir. Belli bir zaman döneminde bir ülkedeki üretim faktörlerince (Türk ya da yabancı) yenice üretilmiş bütün nihai mal ve hizmetlerin piyasa değerine GSYH denir. GSYH’nın bu tanımı oldukça açık olmakla birlikte, ekonominin GSYH’sı hesaplanırken önceden farkedilmeyen birçok sorun ortaya çıkabilir. Bu nedenle GSYH tanımındaki her sözün tek tek ele alınmasında yarar vardır.

Örnek 1 (WDI Paketi) 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 Paketten hangi verileri alabileceğinizi araştırmak Dünya Bankası Veri Kataloğu’na gidin: Dünya Bankası Veri Kataloğu’na https://data.worldbank.org/ veya Dünya Bankası Veri sayfasına https://databank.worldbank.org/home gidin.

Göstergeleri Araştırın veya Keşfedin: İlgili veriyi bulmak için arama çubuğunu kullanın veya göstergeler bölümünü keşfedin.

Örneğin, GSYİH, nüfus, enflasyon vb. gibi göstergeleri arayabilirsiniz.

Göstergeleri Seçin: İlgili göstergeye tıklayın. Bu, verinin ve ayrıntılarının sağlandığı bir sayfaya yönlendirecektir.

Göstergelerin Kodunu Not Edin: Her gösterge için sayfa genellikle onu temsil eden bir kod sağlar.

Örneğin, “NY.GDP.MKTP.CD” GSYİH’yi temsil eder.

Göstergelerin Açıklamalarını Anlayın: Analiz için doğru değişkenleri kullandığından emin olmak için gösterge açıklamalarını okumalısınız.

WDI paketini kullanarak, kritik Dünya Kalkınma Göstergelerine erişiyoruz ve analizimiz için gerekli ekonomik ve sosyal metrikleri topluyoruz.

Dünya bankası verileri nelerdir? Dünya Bankası’nın veritabanı, 217 ekonomi ve 40’tan fazla ülke grubu için 50 yılı aşkın veriyi kapsayan 1,400’den fazla zaman serisi göstergeden oluşmaktadır. https://data.worldbank.org/ adresini ziyaret ettiğinizde, verilere ‘ülke’ ve ‘gösterge’ye dayalı olarak göz atabilirsiniz. ’Ülkeye veya Göstergelere Göre Göz At’ seçeneği altında, ‘gösterge’ bölümüne inerek farklı başlıklar altında birçok zaman serisine erişim sağlanabilir. İlk başlıklar, ‘Tarım ve Kırsal Kalkınma,’ ‘Yardım Etkinliği’ ve ‘İklim Değişikliği’ gibi çeşitli alanları kapsar ve toplamda 20 başlık ve 1,400 zaman serisini içerir.

İstediğiniz veri kümesi için anahtar kelimeyi bulmak için ‘gösterge’ bölümüne giderek ve https://data.worldbank.org/indicator sayfasını ziyaret ederek belirli veri kümesi sayfasına ulaşabilirsiniz. Örneğin, çeşitli ülkeler için Gayri Safi Yurtiçi Hasıla (GSYİH) ve Toplam Nüfus verileri hakkında meraklıysanız, ilgili URL’leri kullanmanız gerekir: ‘Ekonomi ve Büyüme’ kategorisi altında GSYİH (mevcut ABD doları) ve ‘İklim Değişikliği’ kategorisi altında Nüfus, toplamı gibi başlıkları göreceksiniz, belirli bir sayfaya benzer bir sayfaya ulaşabilirsiniz.

https://data.worldbank.org/indicator/NY.GDP.MKTP.CD?view=chart

https://data.worldbank.org/indicator/SP.POP.TOTL?view=chart

NY.GDP.MKTP.CD SP.POP.TOTL

Paket daha önce yüklenmediyse, paketi yükleyin.

PAketi R’da aktif hale getirin.

library(WDI) ## bu adım yüklenmiş olan paketi aktif hale getirmek için kullanılır.

Daha sonra WDI paketinden “Imports of goods and services” ve “Exports of goods and services” göstergelerini çekip mah_data adı altında projeye kayıt edelim.

data_WDI <- WDI(country = "all", indicator = c("NY.GDP.MKTP.CD", "SP.POP.TOTL"))

str kodunu anlamak R’de, str() işlevi bir veri kümesinin yapısını ortaya çıkarmak için kullanılır. df gibi bir veri kümesine uygulandığında, str(df) komutu, veri kümesinin bileşimine dair özlü bir genel bakış sağlar ve veri kümesinde bulunan sütunlar (değişkenler) hakkında ayrıntıları gösterir. Her sütunun adını ve veri tiplerini ortaya koyar. Veri kümesinin ilk birkaç satırına kısa bir bakış sunar. Bu önizleme, veri kümesinde neyin saklandığını anlamaya yardımcı olan gerçek verileri sergiler. Her sütundaki veri türlerini, sayısal, karakter (metin) veya faktörler (kategorik veri) gibi, belirlemeye yardımcı olur. Veri kümesindeki eksik değerleri (‘NA’) belirlemede yardımcı olur, bu da veri temizliği ve analizi için hayati önem taşır.

data_WDI veri çerçevesinin yapısını ekrana yazdıracaktır.

str(data_WDI)

## '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 ...
##  $ NY.GDP.MKTP.CD: num  5.38e+08 5.49e+08 5.47e+08 7.51e+08 8.00e+08 ...
##   ..- attr(*, "label")= chr "GDP (current US$)"
##  $ SP.POP.TOTL   : num  8622466 8790140 8969047 9157465 9355514 ...
##   ..- attr(*, "label")= chr "Population, total"

Explore paketi explore paketini de kullanacağız. R’deki explore paketi, veri keşfi ve analizini kolaylaştırmak için tasarlanmış bir araç setidir ve veri kümenizi daha kapsamlı bir şekilde incelemek ve anlamak için çeşitli işlevler sunar. Başlangıç veri incelemesine ve açıklayıcı istatistiklere yardımcı olmak için yardımcı programlar sunar.

Not: Daha önce gerekli paketleri kurmadıysanız, lütfen install.packages() işlevini kullanın. install.packages() işlevini tekrar kullanmayacağım.

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.

,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.

## install.packages("explore") paketi yüklemediyseniz bu işlemi yapın.
library(explore)

paketinden describe fonksiyonunu kullanarak data_WDI veri çerçevesinin tüm değişkenlerinin istatistiksel özetini ekrana yazdıracaktır.

describe_all(data_WDI)

## # 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   1.99e 3  2.02e 3
## 5 NY.GDP.MKTP.CD dbl    3826   22.5  13090 8824744.  1.22e12  1.01e14
## 6 SP.POP.TOTL    dbl     359    2.1  16460    2646   2.16e 8  7.95e 9

Pipe operatörü %>% tidyverse ya da dplyr.

R’deki pipe operatörü (%>%), genellikle magrittr paketi ile ilişkilendirilir ve ardışık olarak birden fazla işlemi birbirine bağlamayı sağlar. Bir işlevin çıktısını sıradaki işleve girdi olarak ileterek kodun okunabilirliğini ve verimliliğini artırır.

df %>% describe_all() kullanıldığında, %>% operatörü df veri kümesini describe_all() işlevine zincirler ve veri kümesindeki tüm sütunlar için kapsamlı istatistikler oluşturur.

Bunun için öncelikle WDI paketini aktif edelim.

## install.packages("tidyverse")
library(tidyverse)

## ── 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     1.3.1
## ✔ 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

paketinden describe fonksiyonunu kullanarak data_WDI veri çerçevesinin tüm değişkenlerinin istatistiksel özetini ekrana yazdıracaktır.

data_WDI %>% 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   1.99e 3  2.02e 3
## 5 NY.GDP.MKTP.CD dbl    3826   22.5  13090 8824744.  1.22e12  1.01e14
## 6 SP.POP.TOTL    dbl     359    2.1  16460    2646   2.16e 8  7.95e 9

Kullandığımız veri setinde, bazı girdiler gerçek ülkeleri temsil etmemekte, bunun yerine Sınıflandırılmamış, OECD üyeleri veya Diğer küçük devletler gibi açıklamalar içermektedir. Analizimizde doğruluk sağlamak için bu ülkeler dışı girdileri hariç tutmamız gerekmektedir. WDI paketi, WDI_data\(country adında bir veri seti de dahil olmak üzere ek bilgiler sağlar. Bu ek veriyi kullanarak, mevcut veri setimizi daha detaylı ülke bilgileriyle zenginleştirebiliriz. Veri setimiz ve WDI_data\)country veri setinin kombinasyonunu kullanarak, bu ülkeler dışı girdileri tanımlayabilir ve sonrasında bunları çıkararak analizimizi rafine edebiliriz. Böylelikle, daha kesin bir değerlendirme için meşru ülke özgü veri noktalarına odaklanabiliriz.

WDI_data veri çerçevesindeki “country” değişkeninin değerlerini ek_bilgi değişkenine atar. Bu şekilde, ek_bilgi değişkeni, sadece “country” değişkeninin içeriğini içerecektir.

ek_bilgi <- WDI_data$country

data_WDI ve ek_bilgi veri çerçevelerini “country” değişkenine göre sol birleştirme işlemi yaparak yeni bir veri çerçevesi olan df oluşturur. Sonuç, data_WDI veri çerçevesindeki tüm satırları içerecek ve “country” değişkeninin ek_bilgi veri çerçevesindeki karşılıklarını içerecektir.

df <- left_join(data_WDI, ek_bilgi)

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

df veri çerçevesindeki “region” değişkeni “Aggregates” olmayan satırları filtreler.

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.  2.02e 3
##  5 NY.GDP.MKTP.CD dbl    3362   24.4  10392 8824744. 192049519539.  2.54e13
##  6 SP.POP.TOTL    dbl     245    1.8  13467    2646      24759535.  1.42e 9
##  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

veri çerçevesindeki “iso2c” değişkeni “TR” veya “SN” olan satırları filtreler ve bu filtrelenmiş veri çerçevesini df_TR_SN adında yeni bir değişkene atar.

df_TR_SN <- df %>% filter(iso2c %in%  c("TR","SN"))

df_TR_SN veri çerçevesindeki verilere dayalı olarak Türkiye ve Senegal’in yıllara göre GDP (Gross Domestic Product - Gayri Safi Yurt İçi Hasıla) değerlerini karşılaştıran bir çizgi grafiği oluşturur.

ggplot(df_TR_SN, aes(year, NY.GDP.MKTP.CD, color = country)) +
geom_line() +
labs(x = "Year", y = "GDP (Current US$)", title = "GDP Comparison between TR and SN")

## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_line()`).

ggplot(df_TR_SN, aes(year, SP.POP.TOTL, color = country)) +
geom_line() +
labs(x = "Year", y = "GDP (Current US$)", title = "GDP Comparison between TR and SN")

## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_line()`).

Ekonometri Projesi

Adulazız Juraev 2010504578

2024-02-27

Vize projesi

RStudio Nedir?

R Markdown Nedir?