#Biblioteki
library(googlesheets4)

## Warning: pakiet 'googlesheets4' został zbudowany w wersji R 4.3.3

library(dplyr)

## Warning: pakiet 'dplyr' został zbudowany w wersji R 4.3.2

## 
## Dołączanie pakietu: 'dplyr'

## Następujące obiekty zostały zakryte z 'package:stats':
## 
##     filter, lag

## Następujące obiekty zostały zakryte z 'package:base':
## 
##     intersect, setdiff, setequal, union

library(tidyr)
library(knitr)

## Warning: pakiet 'knitr' został zbudowany w wersji R 4.3.3

library(gridExtra)

## 
## Dołączanie pakietu: 'gridExtra'

## Następujący obiekt został zakryty z 'package:dplyr':
## 
##     combine

I. Wstęp do projektu

1. Temat Projektu

Niniejszy projekt obejmuje analizę rynku nieruchomości w Polsce oraz opracowanie metod prognozowania cen w tym sektorze. Jego celem jest dogłębne zrozumienie dynamiki oraz czynników wpływających na kształtowanie się wartości nieruchomości, a także przygotowanie prognozy możliwych scenariuszy rozwoju rynku nieruchomości w Polsce w perspektywie najbliższych lat. Prognoza ta zostanie oparta na szczegółowej analizie zmian, które miały miejsce na rynku w latach 2010–2023.

1.1. Wprowadzenie do problematyki rynku nieruchomości

Opis znaczenia rynku nieruchomości w gospodarce: Rynek nieruchomości odgrywa kluczową rolę w gospodarce, będąc istotnym elementem wspierającym rozwój społeczno-ekonomiczny. Z punktu widzenia inwestorów stanowi stabilne i atrakcyjne narzędzie lokowania kapitału, oferujące potencjał generowania długoterminowych zysków. Dla przeciętnego obywatela, zakup nieruchomości jest natomiast jedną z najważniejszych decyzji finansowych, mającą bezpośredni wpływ na stabilność bytową i bezpieczeństwo materialne.

W Polsce rynek nieruchomości w ostatnich latach cechował się znaczną dynamiką. Wzrost cen, wynikający z rosnącego popytu oraz ograniczonej podaży, był szczególnie zauważalny w największych aglomeracjach. Procesy urbanizacyjne, migracje oraz zmiany demograficzne, takie jak starzenie się społeczeństwa, w znacznym stopniu kształtują strukturę popytu. Jednocześnie zmienność cen była wyraźnie powiązana z czynnikami makroekonomicznymi, w tym inflacją, stopami procentowymi i sytuacją gospodarczą, co uwydatnia złożoność tego sektora.

Na kształtowanie się cen nieruchomości wpływają zarówno czynniki lokalne, jak i globalne. Lokalne uwarunkowania obejmują m.in. regionalne różnice cenowe wynikające z poziomu urbanizacji, dostępności infrastruktury, atrakcyjności inwestycyjnej oraz specyfiki lokalnych rynków pracy. Z kolei czynniki globalne, takie jak skutki pandemii COVID-19, wzrost inflacji czy zmiany w sytuacji makroekonomicznej, w istotny sposób wpływają na dostępność finansowania, preferencje inwestycyjne oraz zdolność kredytową gospodarstw domowych. Uwzględnienie tych różnorodnych czynników jest niezbędne do kompleksowej analizy rynku nieruchomości, co podkreśla wieloaspektowość tego sektora i jego znaczenie dla gospodarki.

1.2. Znaczenie prognozowania cen nieruchomości

Prognozowanie cen nieruchomości odgrywa kluczową rolę w podejmowaniu świadomych decyzji ekonomicznych i planowaniu finansowym. Jest to szczególnie istotne w kontekście rosnącej zmienności gospodarczej oraz złożoności rynku, na który wpływają zarówno czynniki lokalne, jak i globalne. Rzetelne prognozy stanowią nieocenione wsparcie dla różnych grup interesariuszy:

Inwestorzy mogą na ich podstawie efektywnie planować zyski, minimalizować ryzyko oraz podejmować trafne decyzje dotyczące zakupu, sprzedaży lub wynajmu nieruchomości, co pozwala na optymalne zarządzanie portfelem inwestycyjnym.
Rządy i samorządy wykorzystują prognozy cen nieruchomości przy opracowywaniu polityki mieszkaniowej, programów wspierających dostępność mieszkań oraz planowaniu urbanistycznym, co umożliwia efektywne zarządzanie przestrzenią i zasobami mieszkaniowymi.
Instytucje finansowe, w tym banki, opierają się na prognozach przy ocenie wartości zabezpieczeń hipotecznych, zarządzaniu ryzykiem kredytowym oraz podejmowaniu decyzji dotyczących finansowania inwestycji.

Nieruchomości są dobrem heterogenicznym, co oznacza, że ich wartość zależy od szerokiego spektrum czynników, takich jak lokalizacja, infrastruktura, demografia, warunki ekonomiczne czy sytuacja polityczna. Złożoność ta sprawia, że precyzyjne prognozowanie wymaga uwzględnienia zarówno trendów makroekonomicznych, jak i specyficznych uwarunkowań regionalnych. W niniejszym projekcie szczególny nacisk zostanie położony na analizę czynników ekonomicznych i demograficznych, które odgrywają kluczową rolę w kształtowaniu się cen nieruchomości. Prognozy te mogą przyczynić się do lepszego zarządzania ryzykiem, wsparcia procesów decyzyjnych oraz zwiększenia efektywności działań zarówno na poziomie indywidualnym, jak i instytucjonalnym.

1.3. Uzasadnienie wyboru tematu

Wybór tego tematu jest uzasadniony zarówno jego aktualnością, jak i praktycznym znaczeniem wyników badania. W obliczu obecnych wyzwań gospodarczych oraz dynamicznych zmian zachodzących na rynku nieruchomości w Polsce, tematyka prognozowania cen nieruchomości nabiera szczególnej wagi. Zmienność stóp procentowych, rosnąca inflacja oraz globalne zawirowania gospodarcze, takie jak skutki pandemii COVID-19, znacząco wpływają na zachowania inwestorów, zdolność kredytową gospodarstw domowych oraz dostępność mieszkań. Dodatkowo w Polsce obserwowane są wyraźne oznaki kryzysu mieszkaniowego, które przejawiają się w dynamicznym wzroście cen nieruchomości oraz spadku ich dostępności dla przeciętnego obywatela.

2. Opis Danych

Dane wykorzystane w analizie pochodzą z Bazy Danych Lokalnych (BDL) prowadzonej przez Główny Urząd Statystyczny (GUS). BDL dostarcza szczegółowych informacji na temat różnych aspektów społecznych, gospodarczych i demograficznych, co czyni ją wiarygodnym źródłem danych do analizy rynku nieruchomości.

Dane zostały zebrane i przechowywane w formacie arkusza kalkulacyjnego za pomocą Excela online. Wybraliśmy ten format, ponieważ:

Ułatwia współpracę zespołową. Excel online pozwala na jednoczesną pracę nad arkuszem, co umożliwiło członkom zespołu dodawanie danych w jednym miejscu i bieżące śledzenie postępów.
Przejrzystość. Arkusz kalkulacyjny umożliwia łatwe przechowywanie dużej liczby zmiennych i ich edycję, a także szybki podgląd danych.
Uniwersalność. Dane w Excelu mogą być łatwo eksportowane do innych formatów, np.CSV lub XLS, co umożliwia dalsze przetwarzanie w R Studio, z którego korzystamy do dalszych etapów projektu.

Na etapie początkowej obróbki danych w Excelu wykonano następujące kroki:

Zebrano dane z dwóch kategorii (ekonomiczne, demograficzne) w jednym skoroszycie, aby ułatwić analizę.
Sprawdzono kompletność danych (czy zebrane dane dotyczą tego samego okresu, czy dla danej zmiennej nie brakuje danych w danym roku).
Zastosowano jednolite formatowanie (zastąpienie przecinków kropkami, zmiana formatu tekstowego na liczbowy), co miało na celu ułatwienie późniejszej analizy.

Działania te pozwoliły na lepsze przygotowanie danych do dalszej analizy w R Studio.

W analizie cen nieruchomości uwzględniliśmy zarówno czynniki ekonomiczne, jak i demograficzne, ponieważ ceny mieszkań są wynikiem interakcji między popytem a podażą, a te z kolei są kształtowane przez różnorodne aspekty.

Czynniki ekonomiczne: Bezpośrednio wpływają na zdolność nabywczą konsumentów, koszty budowy i finansowanie transakcji. Ich analiza pozwala ocenić, w jakim stopniu zmienne makroekonomiczne oddziałują na rynek nieruchomości. Czynniki demograficzne: Są kluczowe w zrozumieniu struktury i dynamiki popytu na nieruchomości. Migracje, wzrost liczby gospodarstw domowych, czy zmiany w powierzchni mieszkań wpływają na zachowania zakupowe oraz trendy mieszkaniowe.

Wybór obu grup zmiennych pozwala na całościowe spojrzenie na rynek nieruchomości, uwzględniając nie tylko czynniki finansowe, ale także potrzeby ludności i ich zmienność.

Zgodność teoretyczna: Relacja zmiennej z objaśnianą powinna być zgodna z teorią ekonomiczną lub innymi założeniami dziedziny. Poniżej wykazujemy, że każda z wybranych zmiennych jest teoretycznie uzasadniona i może mieć wpływ na ceny nieruchomości.

2.1. Czynniki Ekonomiczne

Przeciętne miesięczne wynagrodzenia brutto. Wysokość wynagrodzeń odzwierciedla poziom dobrobytu społeczeństwa. Wyższe zarobki zwiększają zdolność kredytową i możliwości inwestycyjne, co podnosi popyt na nieruchomości. W konsekwencji, rosnący popyt prowadzi do wzrostu cen. Zgodnie z teorią konsumpcji, przy wyższych dochodach konsumenci są bardziej skłonni wydawać na dobra trwałe, takie jak mieszkania.
Stopa bezrobocia rejestrowanego. Wyższa stopa bezrobocia zmniejsza siłę nabywczą społeczeństwa i obniża popyt na mieszkania, co może powodować spadek cen nieruchomości. Z kolei niski poziom bezrobocia jest pozytywnym sygnałem dla rynku nieruchomości.
Inflacja. Inflacja wpływa na ceny nieruchomości w dwojaki sposób. Z jednej strony, w warunkach wysokiej inflacji rosną koszty budowy, co podnosi ceny nowych mieszkań. Z drugiej strony, nieruchomości mogą być postrzegane jako inwestycja chroniąca kapitał przed inflacją, co zwiększa ich atrakcyjność.
Wydatki w Dziale 700 - Gospodarka mieszkaniowa - wydatki budżetowe na gospodarkę mieszkaniową, obejmujące np. inwestycje w budownictwo mieszkaniowe czy wsparcie dla najemców.Wzrost wydatków w tym dziale stymuluje podaż nowych mieszkań, co może stabilizować ceny nieruchomości. Jednocześnie większe inwestycje w infrastrukturę mieszkaniową mogą podnieść atrakcyjność lokalnych rynków.
Dochody do dyspozycji brutto na 1 mieszkańca.Wyższe dochody do dyspozycji zwiększają możliwości finansowe gospodarstw domowych, co prowadzi do wzrostu popytu na mieszkania, a tym samym wzrostu cen nieruchomości.

2.2. Czyniki Demograficzne

Liczba lokali mieszkalnych sprzedanych w ramach transakcji rynkowych. Wysoka liczba transakcji wskazuje na dynamiczny rynek. Jeżeli popyt na nieruchomości przewyższa podaż, ceny rosną. Zgodnie z teorią popytu i podaży, większa aktywność zakupowa przy ograniczonej podaży prowadzi do wzrostu cen.
Powierzchnia użytkowa. Powierzchnia użytkowa jest jednym z kluczowych czynników wpływających na cenę jednostkową nieruchomości. Większe mieszkania są zwykle droższe, ale mogą być mniej dostępne dla przeciętnego nabywcy.
Małżeństwa zawarte. Zawarcie małżeństwa często wiąże się z tworzeniem nowego gospodarstwa domowego i poszukiwaniem mieszkania. Wzrost liczby małżeństw zwiększa popyt na nieruchomości, co może prowadzić do wzrostu cen.
Mieszkania oddane do użytkowania. Oddanie większej liczby mieszkań zwiększa podaż na rynku, co może ograniczać wzrost cen lub prowadzić do ich spadku. Zgodnie z teorią podaży, wzrost liczby dostępnych mieszkań przy stałym popycie obniża ich wartość.
Pozwolenia na budowę. Liczba wydanych pozwoleń wskazuje na przyszłą podaż mieszkań. Jeśli rośnie liczba pozwoleń, oznacza to potencjalny spadek cen w przyszłości w wyniku zwiększenia dostępności mieszkań.
Zameldowania. Wzrost liczby zameldowań sugeruje rosnącą migrację do danego regionu, co może zwiększać popyt na nieruchomości i prowadzić do wzrostu ich cen.
Wymeldowania. Wzrost liczby wymeldowań może sygnalizować odpływ ludności, co zmniejsza popyt na mieszkania i może prowadzić do spadku cen.
Saldo migracji. Dodatnie saldo migracji (więcej zameldowań niż wymeldowań) oznacza wzrost liczby ludności w danym regionie, co zwiększa popyt na mieszkania. Wysoki popyt w regionach o pozytywnym saldzie migracji może prowadzić do wzrostu cen nieruchomości. Negatywne saldo działa odwrotnie.

II. Wizualizacja oraz analiza danych

1. Data Wrangling

1.1. Obliczanie liczby brakujących wartości (NA) w każdej kolumnie:

library(knitr)

polska_data_clean <- data_sheet1

na_counts <- colSums(is.na(polska_data_clean))

na_counts_df <- data.frame(Kolumna = names(na_counts), Liczba_NA = as.numeric(na_counts))

kable(na_counts_df, caption = "Liczba brakujących wartości (NA) w każdej kolumnie")

Liczba brakujących wartości (NA) w każdej kolumnie
Kolumna	Liczba_NA
Rok	0
Liczba_sprzedanych	0
Powierzchnia_użytkowa	0
Średnia cena za 1m2	0
Mediana cen	0
Średnia_cena_lokali	0
Wartość_lokali	0
Wynagrodz_brutto	0
Bezrobocie	0
Małżeństwa	0
Inflacja	0
Wydatki_700	0
Mieszkania _oddane	0
Pozwolenia_budowa	0
Miesięczny_dochód	0

# Przypisanie danych do odpowiednich zmiennych
DOLNOŚLĄSKIE_DATA <- data_sheet2
KUJAWSKO_POMORSKIE_DATA <- data_sheet3
LUBELSKIE_DATA <- data_sheet4
LUBUSKIE_DATA <- data_sheet5
ŁÓDZKIE_DATA <- data_sheet6
MAŁOPOLSKIE_DATA <- data_sheet7
OPOLSKIE_DATA <- data_sheet8
MAZOWIECKIE_DATA <- data_sheet9
PODKARPACKIE_DATA <- data_sheet10
PODLASKIE_DATA <- data_sheet11
POMORSKIE_DATA <- data_sheet12
ŚWIĘTOKRZYSKIE_DATA <- data_sheet13
WIELKOPOLSKIE_DATA <- data_sheet14
WARMIŃSKO_MAZURSKIE_DATA <- data_sheet15
ZACHODNIOPOMORSKIE_DATA <- data_sheet16

# Lista danych z odpowiednimi nazwami
data_list <- list(
  DOLNOŚLĄSKIE = DOLNOŚLĄSKIE_DATA,
  KUJAWSKO_POMORSKIE = KUJAWSKO_POMORSKIE_DATA,
  LUBELSKIE = LUBELSKIE_DATA,
  LUBUSKIE = LUBUSKIE_DATA,
  ŁÓDZKIE = ŁÓDZKIE_DATA,
  MAŁOPOLSKIE = MAŁOPOLSKIE_DATA,
  OPOLSKIE = OPOLSKIE_DATA,
  MAZOWIECKIE = MAZOWIECKIE_DATA,
  PODKARPACKIE = PODKARPACKIE_DATA,
  PODLASKIE = PODLASKIE_DATA,
  POMORSKIE = POMORSKIE_DATA,
  ŚWIĘTOKRZYSKIE = ŚWIĘTOKRZYSKIE_DATA,
  WIELKOPOLSKIE = WIELKOPOLSKIE_DATA,
  WARMIŃSKO_MAZURSKIE = WARMIŃSKO_MAZURSKIE_DATA,
  ZACHODNIOPOMORSKIE = ZACHODNIOPOMORSKIE_DATA
)

# Obliczenie liczby braków dla każdej kolumny w każdym regionie
na_counts_list <- lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  na_counts <- colSums(is.na(data))
  data.frame(
    Kolumna = names(na_counts),
    Liczba_NA = as.numeric(na_counts),
    Region = region_name
  )
})

# Połączenie wyników w jedną tabelę
na_counts_df <- bind_rows(na_counts_list)

# Przekształcenie danych na szeroki format (pivot)
na_pivot <- na_counts_df %>%
  pivot_wider(names_from = Region, values_from = Liczba_NA, values_fill = 0)



# Prezentacja wyników
kable(na_pivot, caption = "Liczba brakujących wartości (NA) w każdej kolumnie dla każdego regionu")

Liczba brakujących wartości (NA) w każdej kolumnie dla każdego regionu
Kolumna	DOLNOŚLĄSKIE	KUJAWSKO_POMORSKIE	LUBELSKIE	LUBUSKIE	OPOLSKIE	MAZOWIECKIE	PODLASKIE	POMORSKIE
…1	1	1	1	1	1	1	1	1
Liczba_sprzedanych	1	1	1	1	1	0	1	1
Powierzchnia_użytkowa	1	0	0	0	0	0	0	0
Średnia cena za 1m2	1	0	0	0	0	0	0	0
Mediana cen	0	0	0	0	0	0	0	0
Średnia_cena_lokali	0	0	0	0	0	0	0	0
Wartość_lokali	0	0	0	0	0	0	0	0
Wynagrodz_brutto	1	1	1	1	1	1	1	1
Bezrobocie	1	1	1	1	1	1	1	1
Małżeństwa	1	1	1	1	1	1	1	1
Inflacja	1	1	1	1	1	1	1	1
Wydatki_700	1	1	1	1	1	1	1	1
Mieszkania _oddane	1	1	1	1	1	1	1	1
Pozwolenia_budowa	1	0	0	0	0	0	0	0
Miesięczny_dochód	1	1	0	1	1	1	1	1
Zameldowania	0	0	0	0	0	0	1	1
Wymeldowania	0	0	0	0	0	0	1	1

Wyniki analizy wskazują, że brakujące wartości (NA) występują w różnych kolumnach dla poszczególnych regionów. Kluczowe obserwacje to:

Brakujące dane w kluczowych kolumnach:
- Kolumny takie jak Wynagrodz_brutto, Bezrobocie, Małżeństwa, Inflacja, Wydatki_700, Mieszkania_oddane zawierają brakujące wartości w większości regionów.
- Kolumny związane z nieruchomościami (Liczba_sprzedanych, Powierzchnia_użytkowa, Średnia cena za 1m2, Mediana cen) wykazują brakujące dane głównie w regionie LUBUSKIE.
Kolumna bez nazwy:
- Pierwsza kolumna, która prawdopodobnie zawiera dane o latach, nie ma przypisanej nazwy (…1). Może to być źródłem nieścisłości w analizie i wymaga poprawienia.
Regiony bez braków:
- Niektóre regiony, takie jak Zachodniopomorskie, Wielkopolskie, czy Warmińsko-Mazurskie, mają minimalną liczbę brakujących danych w większości kolumn.

ROZWIĄZANIE

Usunięcie niepotrzbenych wierszy

# Funkcja, która usuwa ostatni wiersz, jeśli liczba wierszy wynosi 15
clean_data_list <- lapply(data_list, function(data) {
  if (nrow(data) == 15) {
    data <- data[-nrow(data), ]  # Usuń ostatni wiersz
  }
  return(data)
})

# Aktualizacja danych w liście
data_list <- clean_data_list

# Sprawdzenie wyników (opcjonalnie)
print(lapply(data_list, nrow))  # Wyświetl liczbę wierszy w każdej ramce danych

## $DOLNOŚLĄSKIE
## [1] 14
## 
## $KUJAWSKO_POMORSKIE
## [1] 14
## 
## $LUBELSKIE
## [1] 14
## 
## $LUBUSKIE
## [1] 14
## 
## $ŁÓDZKIE
## [1] 14
## 
## $MAŁOPOLSKIE
## [1] 14
## 
## $OPOLSKIE
## [1] 14
## 
## $MAZOWIECKIE
## [1] 14
## 
## $PODKARPACKIE
## [1] 14
## 
## $PODLASKIE
## [1] 14
## 
## $POMORSKIE
## [1] 14
## 
## $ŚWIĘTOKRZYSKIE
## [1] 14
## 
## $WIELKOPOLSKIE
## [1] 14
## 
## $WARMIŃSKO_MAZURSKIE
## [1] 14
## 
## $ZACHODNIOPOMORSKIE
## [1] 14

Usunięcie ostatniego wiersza tam gdzie jest 15 rekordów

# Zmiana nazwy pierwszej kolumny na "Rok" w każdej ramce danych
data_list <- lapply(data_list, function(data) {
  colnames(data)[1] <- "Rok"  # Zmień nazwę pierwszej kolumny
  return(data)
})

# Sprawdzenie wyników (opcjonalne)
lapply(data_list, function(data) head(data))

## $DOLNOŚLĄSKIE
## # A tibble: 6 × 17
##     Rok Liczba_sprzedanych Powierzchnia_użytkowa `Średnia cena za 1m2`
##   <dbl>              <dbl>                 <dbl>                 <dbl>
## 1  2010              14390               779887.                  4248
## 2  2011              14136               766094.                  4255
## 3  2012              14859               820648                   3987
## 4  2013              17811               978110.                  4337
## 5  2014              16431               901802.                  4127
## 6  2015              18523              1012338.                  4136
## # ℹ 13 more variables: `Mediana cen` <list>, Średnia_cena_lokali <list>,
## #   Wartość_lokali <list>, Wynagrodz_brutto <dbl>, Bezrobocie <dbl>,
## #   Małżeństwa <dbl>, Inflacja <dbl>, Wydatki_700 <dbl>,
## #   `Mieszkania _oddane` <dbl>, Pozwolenia_budowa <chr>,
## #   Miesięczny_dochód <chr>, Zameldowania <dbl>, Wymeldowania <dbl>
## 
## $KUJAWSKO_POMORSKIE
## # A tibble: 6 × 17
##     Rok Liczba_sprzedanych Powierzchnia_użytkowa `Średnia cena za 1m2`
##   <dbl>              <dbl> <list>                <list>               
## 1  2010               4454 <dbl [1]>             <dbl [1]>            
## 2  2011               5247 <dbl [1]>             <dbl [1]>            
## 3  2012               5629 <dbl [1]>             <dbl [1]>            
## 4  2013               6095 <dbl [1]>             <dbl [1]>            
## 5  2014               6056 <dbl [1]>             <dbl [1]>            
## 6  2015               6616 <dbl [1]>             <dbl [1]>            
## # ℹ 13 more variables: `Mediana cen` <list>, Średnia_cena_lokali <list>,
## #   Wartość_lokali <list>, Wynagrodz_brutto <dbl>, Bezrobocie <dbl>,
## #   Małżeństwa <dbl>, Inflacja <dbl>, Wydatki_700 <dbl>,
## #   `Mieszkania _oddane` <dbl>, Pozwolenia_budowa <chr>,
## #   Miesięczny_dochód <chr>, Zameldowania <dbl>, Wymeldowania <dbl>
## 
## $LUBELSKIE
## # A tibble: 6 × 17
##     Rok Liczba_sprzedanych Powierzchnia_użytkowa `Średnia cena za 1m2`
##   <dbl>              <dbl> <list>                <list>               
## 1  2010               2950 <dbl [1]>             <dbl [1]>            
## 2  2011               3106 <dbl [1]>             <dbl [1]>            
## 3  2012               3239 <dbl [1]>             <dbl [1]>            
## 4  2013               3388 <dbl [1]>             <dbl [1]>            
## 5  2014               2964 <dbl [1]>             <dbl [1]>            
## 6  2015               4441 <dbl [1]>             <dbl [1]>            
## # ℹ 13 more variables: `Mediana cen` <list>, Średnia_cena_lokali <list>,
## #   Wartość_lokali <list>, Wynagrodz_brutto <dbl>, Bezrobocie <dbl>,
## #   Małżeństwa <dbl>, Inflacja <dbl>, Wydatki_700 <dbl>,
## #   `Mieszkania _oddane` <dbl>, Pozwolenia_budowa <chr>, Zameldowania <dbl>,
## #   Wymeldowania <dbl>, Miesięczny_dochód <list>
## 
## $LUBUSKIE
## # A tibble: 6 × 15
##     Rok Liczba_sprzedanych Powierzchnia_użytkowa `Średnia cena za 1m2`
##   <dbl>              <dbl> <list>                <list>               
## 1  2010               3512 <dbl [1]>             <dbl [1]>            
## 2  2011               3749 <dbl [1]>             <dbl [1]>            
## 3  2012               4094 <dbl [1]>             <dbl [1]>            
## 4  2013               4028 <dbl [1]>             <dbl [1]>            
## 5  2014               3778 <dbl [1]>             <dbl [1]>            
## 6  2015               3936 <dbl [1]>             <dbl [1]>            
## # ℹ 11 more variables: `Mediana cen` <list>, Średnia_cena_lokali <list>,
## #   Wartość_lokali <list>, Wynagrodz_brutto <dbl>, Bezrobocie <dbl>,
## #   Małżeństwa <dbl>, Inflacja <dbl>, Wydatki_700 <dbl>,
## #   `Mieszkania _oddane` <dbl>, Pozwolenia_budowa <chr>,
## #   Miesięczny_dochód <chr>
## 
## $ŁÓDZKIE
## # A tibble: 6 × 17
##     Rok Liczba_sprzedanych Powierzchnia_użytkowa `Średnia cena za 1m2`
##   <dbl>              <dbl> <list>                <list>               
## 1  2010               3852 <dbl [1]>             <dbl [1]>            
## 2  2011               4363 <dbl [1]>             <dbl [1]>            
## 3  2012               4441 <dbl [1]>             <dbl [1]>            
## 4  2013               6859 <dbl [1]>             <dbl [1]>            
## 5  2014               6287 <dbl [1]>             <dbl [1]>            
## 6  2015               7207 <dbl [1]>             <dbl [1]>            
## # ℹ 13 more variables: `Mediana cen` <list>, Średnia_cena_lokali <list>,
## #   Wartość_lokali <list>, Wynagrodz_brutto <dbl>, Bezrobocie <dbl>,
## #   Małżeństwa <dbl>, Inflacja <dbl>, Wydatki_700 <dbl>,
## #   `Mieszkania _oddane` <dbl>, Pozwolenia_budowa <chr>, Zameldowania <dbl>,
## #   Wymeldowania <dbl>, Miesięczny_dochód <chr>
## 
## $MAŁOPOLSKIE
## # A tibble: 6 × 15
##     Rok Liczba_sprzedanych Powierzchnia_użytkowa `Średnia cena za 1m2`
##   <dbl>              <dbl> <list>                <list>               
## 1  2010              10510 <dbl [1]>             <dbl [1]>            
## 2  2011               9206 <dbl [1]>             <dbl [1]>            
## 3  2012               9276 <dbl [1]>             <dbl [1]>            
## 4  2013              12047 <dbl [1]>             <dbl [1]>            
## 5  2014              13441 <dbl [1]>             <dbl [1]>            
## 6  2015              13832 <dbl [1]>             <dbl [1]>            
## # ℹ 11 more variables: `Mediana cen` <list>, Średnia_cena_lokali <list>,
## #   Wartość_lokali <list>, Wynagrodz_brutto <dbl>, Bezrobocie <dbl>,
## #   Małżeństwa <dbl>, Inflacja <dbl>, Wydatki_700 <dbl>,
## #   `Mieszkania _oddane` <dbl>, Pozwolenia_budowa <chr>,
## #   Miesięczny_dochód <chr>
## 
## $OPOLSKIE
## # A tibble: 6 × 15
##     Rok Liczba_sprzedanych Powierzchnia_użytkowa `Średnia cena za 1m2`
##   <dbl>              <dbl> <list>                <list>               
## 1  2010               2352 <dbl [1]>             <dbl [1]>            
## 2  2011               2181 <dbl [1]>             <dbl [1]>            
## 3  2012               2445 <dbl [1]>             <dbl [1]>            
## 4  2013               2614 <dbl [1]>             <dbl [1]>            
## 5  2014               2469 <dbl [1]>             <dbl [1]>            
## 6  2015               2605 <dbl [1]>             <dbl [1]>            
## # ℹ 11 more variables: `Mediana cen` <list>, Średnia_cena_lokali <list>,
## #   Wartość_lokali <list>, Wynagrodz_brutto <dbl>, Bezrobocie <dbl>,
## #   Małżeństwa <dbl>, Inflacja <dbl>, Wydatki_700 <dbl>,
## #   `Mieszkania _oddane` <dbl>, Pozwolenia_budowa <chr>,
## #   Miesięczny_dochód <chr>
## 
## $MAZOWIECKIE
## # A tibble: 6 × 15
##     Rok Liczba_sprzedanych Powierzchnia_użytkowa `Średnia cena za 1m2`
##   <dbl> <list>             <list>                <list>               
## 1  2010 <dbl [1]>          <dbl [1]>             <dbl [1]>            
## 2  2011 <dbl [1]>          <dbl [1]>             <dbl [1]>            
## 3  2012 <dbl [1]>          <dbl [1]>             <dbl [1]>            
## 4  2013 <dbl [1]>          <dbl [1]>             <dbl [1]>            
## 5  2014 <dbl [1]>          <dbl [1]>             <dbl [1]>            
## 6  2015 <dbl [1]>          <dbl [1]>             <dbl [1]>            
## # ℹ 11 more variables: `Mediana cen` <list>, Średnia_cena_lokali <list>,
## #   Wartość_lokali <list>, Wynagrodz_brutto <dbl>, Bezrobocie <dbl>,
## #   Małżeństwa <dbl>, Inflacja <dbl>, Wydatki_700 <dbl>,
## #   `Mieszkania _oddane` <dbl>, Pozwolenia_budowa <chr>,
## #   Miesięczny_dochód <chr>
## 
## $PODKARPACKIE
## # A tibble: 6 × 17
##     Rok Liczba_sprzedanych Powierzchnia_użytkowa `Średnia cena za 1m2`
##   <dbl>              <dbl> <list>                <list>               
## 1  2010               1480 <dbl [1]>             <dbl [1]>            
## 2  2011               1747 <dbl [1]>             <dbl [1]>            
## 3  2012               2487 <dbl [1]>             <dbl [1]>            
## 4  2013               2766 <dbl [1]>             <dbl [1]>            
## 5  2014               2684 <dbl [1]>             <dbl [1]>            
## 6  2015               3647 <dbl [1]>             <dbl [1]>            
## # ℹ 13 more variables: `Mediana cen` <list>, Średnia_cena_lokali <list>,
## #   Wartość_lokali <list>, Wynagrodz_brutto <dbl>, Bezrobocie <dbl>,
## #   Małżeństwa <dbl>, Inflacja <dbl>, Wydatki_700 <dbl>,
## #   `Mieszkania _oddane` <dbl>, Pozwolenia_budowa <chr>, Zameldowania <dbl>,
## #   Wymeldowania <dbl>, Miesięczny_dochód <list>
## 
## $PODLASKIE
## # A tibble: 6 × 17
##     Rok Liczba_sprzedanych Powierzchnia_użytkowa `Średnia cena za 1m2`
##   <dbl>              <dbl> <list>                <list>               
## 1  2010               2496 <dbl [1]>             <dbl [1]>            
## 2  2011               2918 <dbl [1]>             <dbl [1]>            
## 3  2012               2970 <dbl [1]>             <dbl [1]>            
## 4  2013               3114 <dbl [1]>             <dbl [1]>            
## 5  2014               3635 <dbl [1]>             <dbl [1]>            
## 6  2015               3605 <dbl [1]>             <dbl [1]>            
## # ℹ 13 more variables: `Mediana cen` <list>, Średnia_cena_lokali <list>,
## #   Wartość_lokali <list>, Wynagrodz_brutto <dbl>, Bezrobocie <dbl>,
## #   Małżeństwa <dbl>, Inflacja <dbl>, Wydatki_700 <dbl>,
## #   `Mieszkania _oddane` <dbl>, Pozwolenia_budowa <chr>, Zameldowania <dbl>,
## #   Wymeldowania <dbl>, Miesięczny_dochód <chr>
## 
## $POMORSKIE
## # A tibble: 6 × 17
##     Rok Liczba_sprzedanych Powierzchnia_użytkowa `Średnia cena za 1m2`
##   <dbl>              <dbl> <list>                <list>               
## 1  2010               8968 <dbl [1]>             <dbl [1]>            
## 2  2011              11287 <dbl [1]>             <dbl [1]>            
## 3  2012              12396 <dbl [1]>             <dbl [1]>            
## 4  2013              14192 <dbl [1]>             <dbl [1]>            
## 5  2014              13573 <dbl [1]>             <dbl [1]>            
## 6  2015              15371 <dbl [1]>             <dbl [1]>            
## # ℹ 13 more variables: `Mediana cen` <list>, Średnia_cena_lokali <list>,
## #   Wartość_lokali <list>, Wynagrodz_brutto <dbl>, Bezrobocie <dbl>,
## #   Małżeństwa <dbl>, Inflacja <dbl>, Wydatki_700 <dbl>,
## #   `Mieszkania _oddane` <dbl>, Pozwolenia_budowa <chr>, Zameldowania <dbl>,
## #   Wymeldowania <dbl>, Miesięczny_dochód <chr>
## 
## $ŚWIĘTOKRZYSKIE
## # A tibble: 6 × 15
##     Rok Liczba_sprzedanych Powierzchnia_użytkowa `Średnia cena za 1m2`
##   <dbl>              <dbl> <list>                <list>               
## 1  2010               1141 <dbl [1]>             <dbl [1]>            
## 2  2011                985 <dbl [1]>             <dbl [1]>            
## 3  2012               1503 <dbl [1]>             <dbl [1]>            
## 4  2013               1617 <dbl [1]>             <dbl [1]>            
## 5  2014               1667 <dbl [1]>             <dbl [1]>            
## 6  2015               1955 <dbl [1]>             <dbl [1]>            
## # ℹ 11 more variables: `Mediana cen` <list>, Średnia_cena_lokali <list>,
## #   Wartość_lokali <list>, Wynagrodz_brutto <dbl>, Bezrobocie <dbl>,
## #   Małżeństwa <dbl>, Inflacja <dbl>, Wydatki_700 <dbl>,
## #   `Mieszkania _oddane` <dbl>, Pozwolenia_budowa <chr>,
## #   Miesięczny_dochód <chr>
## 
## $WIELKOPOLSKIE
## # A tibble: 6 × 15
##     Rok Liczba_sprzedanych Powierzchnia_użytkowa `Średnia cena za 1m2`
##   <dbl>              <dbl>                 <dbl>                 <dbl>
## 1  2010               8903               498182.                  4357
## 2  2011               9454               523039                   4264
## 3  2012              10059               555624.                  4138
## 4  2013              10613               584126.                  4113
## 5  2014              11125               616795.                  4182
## 6  2015              12401               682518.                  4208
## # ℹ 11 more variables: `Mediana cen` <dbl>, Średnia_cena_lokali <dbl>,
## #   Wartość_lokali <dbl>, Wynagrodz_brutto <dbl>, Bezrobocie <dbl>,
## #   Małżeństwa <dbl>, Inflacja <dbl>, Wydatki_700 <dbl>,
## #   `Mieszkania _oddane` <dbl>, Pozwolenia_budowa <chr>,
## #   Miesięczny_dochód <chr>
## 
## $WARMIŃSKO_MAZURSKIE
## # A tibble: 6 × 15
##     Rok Liczba_sprzedanych Powierzchnia_użytkowa `Średnia cena za 1m2`
##   <dbl>              <dbl>                 <dbl>                 <dbl>
## 1  2010               5211               261072.                  3398
## 2  2011               5055               257505.                  3384
## 3  2012               5612               284344.                  3215
## 4  2013               5542               280955                   3127
## 5  2014               5963               302864.                  3228
## 6  2015               6149               313261.                  3181
## # ℹ 11 more variables: `Mediana cen` <dbl>, Średnia_cena_lokali <dbl>,
## #   Wartość_lokali <dbl>, Wynagrodz_brutto <dbl>, Bezrobocie <dbl>,
## #   Małżeństwa <dbl>, Inflacja <dbl>, Wydatki_700 <dbl>,
## #   `Mieszkania _oddane` <dbl>, Pozwolenia_budowa <chr>,
## #   Miesięczny_dochód <chr>
## 
## $ZACHODNIOPOMORSKIE
## # A tibble: 6 × 15
##     Rok Liczba_sprzedanych Powierzchnia_użytkowa `Średnia cena za 1m2`
##   <dbl>              <dbl>                 <dbl>                 <dbl>
## 1  2010               5859               312975.                  3886
## 2  2011               6589               351718.                  3778
## 3  2012               7271               387324.                  3671
## 4  2013               7856               414591.                  3690
## 5  2014               8044               422303.                  3595
## 6  2015               7451               398731.                  3493
## # ℹ 11 more variables: `Mediana cen` <dbl>, Średnia_cena_lokali <dbl>,
## #   Wartość_lokali <dbl>, Wynagrodz_brutto <dbl>, Bezrobocie <dbl>,
## #   Małżeństwa <dbl>, Inflacja <dbl>, Wydatki_700 <dbl>,
## #   `Mieszkania _oddane` <dbl>, Pozwolenia_budowa <chr>,
## #   Miesięczny_dochód <chr>

Pokazanie Wyników Ogólnie:

na_counts_list <- lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  na_counts <- colSums(is.na(data))
  data.frame(
    Kolumna = names(na_counts),
    Liczba_NA = as.numeric(na_counts),
    Region = region_name
  )
})

# Połączenie wyników w jedną tabelę
na_counts_df <- do.call(rbind, na_counts_list)

# Przekształcenie danych na szeroki format (pivot)
library(tidyr)
na_pivot <- pivot_wider(
  na_counts_df,
  names_from = Region,
  values_from = Liczba_NA,
  values_fill = 0
)

# Prezentacja wyników
library(knitr)
kable(na_pivot, caption = "Liczba brakujących wartości (NA) w każdej kolumnie dla każdego regionu")

Liczba brakujących wartości (NA) w każdej kolumnie dla każdego regionu
Kolumna	DOLNOŚLĄSKIE	KUJAWSKO_POMORSKIE	LUBELSKIE	LUBUSKIE	ŁÓDZKIE	MAŁOPOLSKIE	OPOLSKIE	MAZOWIECKIE	PODKARPACKIE	PODLASKIE	POMORSKIE	ŚWIĘTOKRZYSKIE	WIELKOPOLSKIE	WARMIŃSKO_MAZURSKIE	ZACHODNIOPOMORSKIE
Rok	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Liczba_sprzedanych	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Powierzchnia_użytkowa	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Średnia cena za 1m2	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Mediana cen	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Średnia_cena_lokali	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Wartość_lokali	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Wynagrodz_brutto	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Bezrobocie	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Małżeństwa	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Inflacja	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Wydatki_700	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Mieszkania _oddane	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Pozwolenia_budowa	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Miesięczny_dochód	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Zameldowania	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Wymeldowania	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0

1.2. Obliczanie unikatowych wartości w każdej kolumnie:

unique_counts <- sapply(polska_data_clean, function(col) length(unique(col)))

unique_counts_df <- data.frame(
  Kolumna = names(unique_counts), 
  Liczba_Unikalnych = as.numeric(unique_counts)
)

kable(unique_counts_df, caption = "Liczba unikalnych wartości w każdej kolumnie")

Liczba unikalnych wartości w każdej kolumnie
Kolumna	Liczba_Unikalnych
Rok	14
Liczba_sprzedanych	14
Powierzchnia_użytkowa	14
Średnia cena za 1m2	14
Mediana cen	14
Średnia_cena_lokali	14
Wartość_lokali	14
Wynagrodz_brutto	14
Bezrobocie	11
Małżeństwa	14
Inflacja	14
Wydatki_700	14
Mieszkania _oddane	14
Pozwolenia_budowa	14
Miesięczny_dochód	14

Bezrobocie w niektórych latach było takie samo: Tak się zdarza

# Obliczenie liczby unikalnych wartości dla każdej kolumny w każdym regionie
unique_counts_list <- lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  unique_counts <- sapply(data, function(col) length(unique(col)))
  data.frame(
    Kolumna = names(unique_counts),
    Liczba_Unikalnych = as.numeric(unique_counts),
    Region = region_name
  )
})

# Połączenie wyników w jedną tabelę
unique_counts_df <- bind_rows(unique_counts_list)

# Przekształcenie danych na szeroki format (pivot)
unique_pivot <- unique_counts_df %>%
  pivot_wider(names_from = Region, values_from = Liczba_Unikalnych, values_fill = 0)

# Prezentacja wyników
kable(unique_pivot, caption = "Liczba unikalnych wartości w każdej kolumnie dla każdego regionu")

Liczba unikalnych wartości w każdej kolumnie dla każdego regionu
Kolumna	DOLNOŚLĄSKIE	KUJAWSKO_POMORSKIE	LUBELSKIE	LUBUSKIE	ŁÓDZKIE	MAŁOPOLSKIE	OPOLSKIE	MAZOWIECKIE	PODKARPACKIE	PODLASKIE	POMORSKIE	ŚWIĘTOKRZYSKIE	WIELKOPOLSKIE	WARMIŃSKO_MAZURSKIE	ZACHODNIOPOMORSKIE
Rok	14	14	14	14	14	14	14	14	14	14	14	14	14	14	14
Liczba_sprzedanych	14	14	14	14	14	14	14	14	14	14	14	14	14	14	14
Powierzchnia_użytkowa	14	14	14	14	14	14	14	14	14	14	14	14	14	14	14
Średnia cena za 1m2	14	14	14	14	14	14	14	14	14	14	14	14	14	14	14
Mediana cen	14	14	14	14	14	14	14	14	14	14	14	14	14	14	13
Średnia_cena_lokali	14	14	14	14	14	14	14	14	14	14	14	14	14	14	14
Wartość_lokali	14	14	14	14	14	14	14	14	14	14	14	14	14	14	14
Wynagrodz_brutto	14	14	14	14	14	14	14	14	14	14	14	14	14	14	14
Bezrobocie	13	13	12	14	12	13	13	14	14	12	13	12	12	13	13
Małżeństwa	14	14	14	14	14	14	14	14	14	14	14	14	14	14	14
Inflacja	13	14	14	14	14	13	14	14	13	14	12	14	14	14	13
Wydatki_700	14	14	14	14	14	14	14	14	14	14	14	14	14	14	14
Mieszkania _oddane	14	14	14	13	14	14	14	14	14	14	14	14	14	14	14
Pozwolenia_budowa	14	14	14	14	14	14	14	14	14	14	14	14	14	14	14
Miesięczny_dochód	14	14	14	14	14	14	14	14	14	14	14	14	14	14	14
Zameldowania	14	14	14	0	14	0	0	0	14	14	14	0	0	0	0
Wymeldowania	14	14	14	0	14	0	0	0	14	14	14	0	0	0	0

1. Różnice w liczbie unikalnych wartości między regionami

Na przykład:
- W kolumnie Bezrobocie, regiony LUBUSKIE i ŁÓDZKIE mają odpowiednio tylko 13 i 12 unikalnych wartości, podczas gdy w większości regionów jest ich 14 lub 15.
- Kolumna Inflacja wykazuje 13 unikalnych wartości w regionie PODKARPACKIE, w porównaniu do 15 w innych regionach.

2. Kolumny z zerową liczbą unikalnych wartości w niektórych regionach

Kolumny Zameldowania i Wymeldowania mają wartość 0 w regionach LUBUSKIE, ŁÓDZKIE, MAŁOPOLSKIE, OPOLSKIE, MAZOWIECKIE, co oznacza, że te dane nie zostały ujęte w tych regionach.

Rozwiązanie:

Usunięcie zmiennych zameldowanie i wymeldowanie

# Usunięcie kolumn "Zameldowania" i "Wymeldowania" z każdej ramki danych w liście
data_list <- lapply(data_list, function(data) {
  data <- data[, !colnames(data) %in% c("Zameldowania", "Wymeldowania")]  # Usuń wybrane kolumny
  return(data)
})

# Sprawdzenie wyników (opcjonalne)
lapply(data_list, colnames)  # Wyświetl nazwy kolumn w każdej ramce danych

## $DOLNOŚLĄSKIE
##  [1] "Rok"                   "Liczba_sprzedanych"    "Powierzchnia_użytkowa"
##  [4] "Średnia cena za 1m2"   "Mediana cen"           "Średnia_cena_lokali"  
##  [7] "Wartość_lokali"        "Wynagrodz_brutto"      "Bezrobocie"           
## [10] "Małżeństwa"            "Inflacja"              "Wydatki_700"          
## [13] "Mieszkania _oddane"    "Pozwolenia_budowa"     "Miesięczny_dochód"    
## 
## $KUJAWSKO_POMORSKIE
##  [1] "Rok"                   "Liczba_sprzedanych"    "Powierzchnia_użytkowa"
##  [4] "Średnia cena za 1m2"   "Mediana cen"           "Średnia_cena_lokali"  
##  [7] "Wartość_lokali"        "Wynagrodz_brutto"      "Bezrobocie"           
## [10] "Małżeństwa"            "Inflacja"              "Wydatki_700"          
## [13] "Mieszkania _oddane"    "Pozwolenia_budowa"     "Miesięczny_dochód"    
## 
## $LUBELSKIE
##  [1] "Rok"                   "Liczba_sprzedanych"    "Powierzchnia_użytkowa"
##  [4] "Średnia cena za 1m2"   "Mediana cen"           "Średnia_cena_lokali"  
##  [7] "Wartość_lokali"        "Wynagrodz_brutto"      "Bezrobocie"           
## [10] "Małżeństwa"            "Inflacja"              "Wydatki_700"          
## [13] "Mieszkania _oddane"    "Pozwolenia_budowa"     "Miesięczny_dochód"    
## 
## $LUBUSKIE
##  [1] "Rok"                   "Liczba_sprzedanych"    "Powierzchnia_użytkowa"
##  [4] "Średnia cena za 1m2"   "Mediana cen"           "Średnia_cena_lokali"  
##  [7] "Wartość_lokali"        "Wynagrodz_brutto"      "Bezrobocie"           
## [10] "Małżeństwa"            "Inflacja"              "Wydatki_700"          
## [13] "Mieszkania _oddane"    "Pozwolenia_budowa"     "Miesięczny_dochód"    
## 
## $ŁÓDZKIE
##  [1] "Rok"                   "Liczba_sprzedanych"    "Powierzchnia_użytkowa"
##  [4] "Średnia cena za 1m2"   "Mediana cen"           "Średnia_cena_lokali"  
##  [7] "Wartość_lokali"        "Wynagrodz_brutto"      "Bezrobocie"           
## [10] "Małżeństwa"            "Inflacja"              "Wydatki_700"          
## [13] "Mieszkania _oddane"    "Pozwolenia_budowa"     "Miesięczny_dochód"    
## 
## $MAŁOPOLSKIE
##  [1] "Rok"                   "Liczba_sprzedanych"    "Powierzchnia_użytkowa"
##  [4] "Średnia cena za 1m2"   "Mediana cen"           "Średnia_cena_lokali"  
##  [7] "Wartość_lokali"        "Wynagrodz_brutto"      "Bezrobocie"           
## [10] "Małżeństwa"            "Inflacja"              "Wydatki_700"          
## [13] "Mieszkania _oddane"    "Pozwolenia_budowa"     "Miesięczny_dochód"    
## 
## $OPOLSKIE
##  [1] "Rok"                   "Liczba_sprzedanych"    "Powierzchnia_użytkowa"
##  [4] "Średnia cena za 1m2"   "Mediana cen"           "Średnia_cena_lokali"  
##  [7] "Wartość_lokali"        "Wynagrodz_brutto"      "Bezrobocie"           
## [10] "Małżeństwa"            "Inflacja"              "Wydatki_700"          
## [13] "Mieszkania _oddane"    "Pozwolenia_budowa"     "Miesięczny_dochód"    
## 
## $MAZOWIECKIE
##  [1] "Rok"                   "Liczba_sprzedanych"    "Powierzchnia_użytkowa"
##  [4] "Średnia cena za 1m2"   "Mediana cen"           "Średnia_cena_lokali"  
##  [7] "Wartość_lokali"        "Wynagrodz_brutto"      "Bezrobocie"           
## [10] "Małżeństwa"            "Inflacja"              "Wydatki_700"          
## [13] "Mieszkania _oddane"    "Pozwolenia_budowa"     "Miesięczny_dochód"    
## 
## $PODKARPACKIE
##  [1] "Rok"                   "Liczba_sprzedanych"    "Powierzchnia_użytkowa"
##  [4] "Średnia cena za 1m2"   "Mediana cen"           "Średnia_cena_lokali"  
##  [7] "Wartość_lokali"        "Wynagrodz_brutto"      "Bezrobocie"           
## [10] "Małżeństwa"            "Inflacja"              "Wydatki_700"          
## [13] "Mieszkania _oddane"    "Pozwolenia_budowa"     "Miesięczny_dochód"    
## 
## $PODLASKIE
##  [1] "Rok"                   "Liczba_sprzedanych"    "Powierzchnia_użytkowa"
##  [4] "Średnia cena za 1m2"   "Mediana cen"           "Średnia_cena_lokali"  
##  [7] "Wartość_lokali"        "Wynagrodz_brutto"      "Bezrobocie"           
## [10] "Małżeństwa"            "Inflacja"              "Wydatki_700"          
## [13] "Mieszkania _oddane"    "Pozwolenia_budowa"     "Miesięczny_dochód"    
## 
## $POMORSKIE
##  [1] "Rok"                   "Liczba_sprzedanych"    "Powierzchnia_użytkowa"
##  [4] "Średnia cena za 1m2"   "Mediana cen"           "Średnia_cena_lokali"  
##  [7] "Wartość_lokali"        "Wynagrodz_brutto"      "Bezrobocie"           
## [10] "Małżeństwa"            "Inflacja"              "Wydatki_700"          
## [13] "Mieszkania _oddane"    "Pozwolenia_budowa"     "Miesięczny_dochód"    
## 
## $ŚWIĘTOKRZYSKIE
##  [1] "Rok"                   "Liczba_sprzedanych"    "Powierzchnia_użytkowa"
##  [4] "Średnia cena za 1m2"   "Mediana cen"           "Średnia_cena_lokali"  
##  [7] "Wartość_lokali"        "Wynagrodz_brutto"      "Bezrobocie"           
## [10] "Małżeństwa"            "Inflacja"              "Wydatki_700"          
## [13] "Mieszkania _oddane"    "Pozwolenia_budowa"     "Miesięczny_dochód"    
## 
## $WIELKOPOLSKIE
##  [1] "Rok"                   "Liczba_sprzedanych"    "Powierzchnia_użytkowa"
##  [4] "Średnia cena za 1m2"   "Mediana cen"           "Średnia_cena_lokali"  
##  [7] "Wartość_lokali"        "Wynagrodz_brutto"      "Bezrobocie"           
## [10] "Małżeństwa"            "Inflacja"              "Wydatki_700"          
## [13] "Mieszkania _oddane"    "Pozwolenia_budowa"     "Miesięczny_dochód"    
## 
## $WARMIŃSKO_MAZURSKIE
##  [1] "Rok"                   "Liczba_sprzedanych"    "Powierzchnia_użytkowa"
##  [4] "Średnia cena za 1m2"   "Mediana cen"           "Średnia_cena_lokali"  
##  [7] "Wartość_lokali"        "Wynagrodz_brutto"      "Bezrobocie"           
## [10] "Małżeństwa"            "Inflacja"              "Wydatki_700"          
## [13] "Mieszkania _oddane"    "Pozwolenia_budowa"     "Miesięczny_dochód"    
## 
## $ZACHODNIOPOMORSKIE
##  [1] "Rok"                   "Liczba_sprzedanych"    "Powierzchnia_użytkowa"
##  [4] "Średnia cena za 1m2"   "Mediana cen"           "Średnia_cena_lokali"  
##  [7] "Wartość_lokali"        "Wynagrodz_brutto"      "Bezrobocie"           
## [10] "Małżeństwa"            "Inflacja"              "Wydatki_700"          
## [13] "Mieszkania _oddane"    "Pozwolenia_budowa"     "Miesięczny_dochód"

1.3. Sprawdzanie typu danych w każdej kolumnie:

# Sprawdzenie typu danych dla wszystkich zmiennych w każdej ramce danych
variable_types <- lapply(data_list, function(data) {
  sapply(data, class)  # Pobierz klasy (typy) wszystkich kolumn
})

# Wyświetlenie wyników (opcjonalne)
# Sprawdzenie typu danych dla każdej kolumny w każdej ramce danych
variable_types <- lapply(data_list, function(data) {
  sapply(data, class)  # Pobierz klasy (typy) wszystkich kolumn
})

# Przekształcenie wyników do formatu tabelarycznego
variable_types_df <- as.data.frame(do.call(cbind, variable_types))
variable_types_df <- cbind(Kolumna = rownames(variable_types_df), variable_types_df)
rownames(variable_types_df) <- NULL  # Usuń indeksy wierszy

# Ustawianie nazw kolumn (pierwsza to Kolumna, reszta to regiony)
colnames(variable_types_df) <- c("Kolumna", names(data_list))

# Wyświetlenie tabeli w oczekiwanym formacie
library(knitr)
kable(variable_types_df, caption = "Typy zmiennych w każdej ramce danych")

Typy zmiennych w każdej ramce danych
Kolumna	DOLNOŚLĄSKIE	KUJAWSKO_POMORSKIE	LUBELSKIE	LUBUSKIE	ŁÓDZKIE	MAŁOPOLSKIE	OPOLSKIE	MAZOWIECKIE	PODKARPACKIE	PODLASKIE	POMORSKIE	ŚWIĘTOKRZYSKIE	WIELKOPOLSKIE	WARMIŃSKO_MAZURSKIE	ZACHODNIOPOMORSKIE
Rok	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric
Liczba_sprzedanych	numeric	numeric	numeric	numeric	numeric	numeric	numeric	list	numeric	numeric	numeric	numeric	numeric	numeric	numeric
Powierzchnia_użytkowa	numeric	list	list	list	list	list	list	list	list	list	list	list	numeric	numeric	numeric
Średnia cena za 1m2	numeric	list	list	list	list	list	list	list	list	list	list	list	numeric	numeric	numeric
Mediana cen	list	list	list	list	list	list	list	list	list	list	list	list	numeric	numeric	numeric
Średnia_cena_lokali	list	list	list	list	list	list	list	list	list	list	list	list	numeric	numeric	numeric
Wartość_lokali	list	list	list	list	list	list	list	list	list	list	list	list	numeric	numeric	numeric
Wynagrodz_brutto	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric
Bezrobocie	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric
Małżeństwa	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric
Inflacja	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric
Wydatki_700	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric
Mieszkania _oddane	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric	numeric
Pozwolenia_budowa	character	character	character	character	character	character	character	character	character	character	character	character	character	character	character
Miesięczny_dochód	character	character	list	character	character	character	character	character	list	character	character	character	character	character	character

Rozwiązanie

Próbne

# Funkcja do oczyszczania danych (usuwanie spacji, zamiana przecinków na kropki) Próbne
clean_column <- function(column) {
  # Zamiana kolumny na character w celu przeprowadzenia operacji
  column <- as.character(column)
  column <- gsub(" ", "", column)  # Usuń spacje
  column <- gsub(",", ".", column)  # Zamień przecinki na kropki
  
  # Próba konwersji na numeryczne, jeśli nie powiedzie się, pozostaje jako tekst
  cleaned_column <- suppressWarnings(as.numeric(column))
  if (all(is.na(cleaned_column))) {
    return(column)  # Jeśli wszystkie wartości są NA po konwersji, zostaw jako tekst
  } else {
    return(cleaned_column)  # Jeśli można, zwróć jako numeryczne
  }
}

# Edycja wszystkich kolumn w każdej ramce danych
data_list <- lapply(data_list, function(data) {
  data <- data.frame(lapply(data, clean_column))  # Oczyść każdą kolumnę
  return(data)
})

# Sprawdzenie typu danych dla każdej kolumny w każdej ramce danych
data_characteristics <- lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  data.frame(
    Kolumna = colnames(data),
    Typ = sapply(data, class),
    Region = region_name
  )
})

# Połączenie wyników w jedną tabelę
data_characteristics_df <- do.call(rbind, data_characteristics)

# Wyświetlenie wyników
library(knitr)
kable(data_characteristics_df, caption = "Charakterystyka danych w każdej ramce danych")

Charakterystyka danych w każdej ramce danych
	Kolumna	Typ	Region
Rok	Rok	numeric	DOLNOŚLĄSKIE
Liczba_sprzedanych	Liczba_sprzedanych	numeric	DOLNOŚLĄSKIE
Powierzchnia_użytkowa	Powierzchnia_użytkowa	numeric	DOLNOŚLĄSKIE
Średnia.cena.za.1m2	Średnia.cena.za.1m2	numeric	DOLNOŚLĄSKIE
Mediana.cen	Mediana.cen	numeric	DOLNOŚLĄSKIE
Średnia_cena_lokali	Średnia_cena_lokali	numeric	DOLNOŚLĄSKIE
Wartość_lokali	Wartość_lokali	numeric	DOLNOŚLĄSKIE
Wynagrodz_brutto	Wynagrodz_brutto	numeric	DOLNOŚLĄSKIE
Bezrobocie	Bezrobocie	numeric	DOLNOŚLĄSKIE
Małżeństwa	Małżeństwa	numeric	DOLNOŚLĄSKIE
Inflacja	Inflacja	numeric	DOLNOŚLĄSKIE
Wydatki_700	Wydatki_700	numeric	DOLNOŚLĄSKIE
Mieszkania._oddane	Mieszkania._oddane	numeric	DOLNOŚLĄSKIE
Pozwolenia_budowa	Pozwolenia_budowa	numeric	DOLNOŚLĄSKIE
Miesięczny_dochód	Miesięczny_dochód	numeric	DOLNOŚLĄSKIE
Rok1	Rok	numeric	KUJAWSKO_POMORSKIE
Liczba_sprzedanych1	Liczba_sprzedanych	numeric	KUJAWSKO_POMORSKIE
Powierzchnia_użytkowa1	Powierzchnia_użytkowa	numeric	KUJAWSKO_POMORSKIE
Średnia.cena.za.1m21	Średnia.cena.za.1m2	numeric	KUJAWSKO_POMORSKIE
Mediana.cen1	Mediana.cen	numeric	KUJAWSKO_POMORSKIE
Średnia_cena_lokali1	Średnia_cena_lokali	numeric	KUJAWSKO_POMORSKIE
Wartość_lokali1	Wartość_lokali	numeric	KUJAWSKO_POMORSKIE
Wynagrodz_brutto1	Wynagrodz_brutto	numeric	KUJAWSKO_POMORSKIE
Bezrobocie1	Bezrobocie	numeric	KUJAWSKO_POMORSKIE
Małżeństwa1	Małżeństwa	numeric	KUJAWSKO_POMORSKIE
Inflacja1	Inflacja	numeric	KUJAWSKO_POMORSKIE
Wydatki_7001	Wydatki_700	numeric	KUJAWSKO_POMORSKIE
Mieszkania._oddane1	Mieszkania._oddane	numeric	KUJAWSKO_POMORSKIE
Pozwolenia_budowa1	Pozwolenia_budowa	numeric	KUJAWSKO_POMORSKIE
Miesięczny_dochód1	Miesięczny_dochód	numeric	KUJAWSKO_POMORSKIE
Rok2	Rok	numeric	LUBELSKIE
Liczba_sprzedanych2	Liczba_sprzedanych	numeric	LUBELSKIE
Powierzchnia_użytkowa2	Powierzchnia_użytkowa	numeric	LUBELSKIE
Średnia.cena.za.1m22	Średnia.cena.za.1m2	numeric	LUBELSKIE
Mediana.cen2	Mediana.cen	numeric	LUBELSKIE
Średnia_cena_lokali2	Średnia_cena_lokali	numeric	LUBELSKIE
Wartość_lokali2	Wartość_lokali	numeric	LUBELSKIE
Wynagrodz_brutto2	Wynagrodz_brutto	numeric	LUBELSKIE
Bezrobocie2	Bezrobocie	numeric	LUBELSKIE
Małżeństwa2	Małżeństwa	numeric	LUBELSKIE
Inflacja2	Inflacja	numeric	LUBELSKIE
Wydatki_7002	Wydatki_700	numeric	LUBELSKIE
Mieszkania._oddane2	Mieszkania._oddane	numeric	LUBELSKIE
Pozwolenia_budowa2	Pozwolenia_budowa	numeric	LUBELSKIE
Miesięczny_dochód2	Miesięczny_dochód	numeric	LUBELSKIE
Rok3	Rok	numeric	LUBUSKIE
Liczba_sprzedanych3	Liczba_sprzedanych	numeric	LUBUSKIE
Powierzchnia_użytkowa3	Powierzchnia_użytkowa	numeric	LUBUSKIE
Średnia.cena.za.1m23	Średnia.cena.za.1m2	numeric	LUBUSKIE
Mediana.cen3	Mediana.cen	numeric	LUBUSKIE
Średnia_cena_lokali3	Średnia_cena_lokali	numeric	LUBUSKIE
Wartość_lokali3	Wartość_lokali	numeric	LUBUSKIE
Wynagrodz_brutto3	Wynagrodz_brutto	numeric	LUBUSKIE
Bezrobocie3	Bezrobocie	numeric	LUBUSKIE
Małżeństwa3	Małżeństwa	numeric	LUBUSKIE
Inflacja3	Inflacja	numeric	LUBUSKIE
Wydatki_7003	Wydatki_700	numeric	LUBUSKIE
Mieszkania._oddane3	Mieszkania._oddane	numeric	LUBUSKIE
Pozwolenia_budowa3	Pozwolenia_budowa	numeric	LUBUSKIE
Miesięczny_dochód3	Miesięczny_dochód	numeric	LUBUSKIE
Rok4	Rok	numeric	ŁÓDZKIE
Liczba_sprzedanych4	Liczba_sprzedanych	numeric	ŁÓDZKIE
Powierzchnia_użytkowa4	Powierzchnia_użytkowa	numeric	ŁÓDZKIE
Średnia.cena.za.1m24	Średnia.cena.za.1m2	numeric	ŁÓDZKIE
Mediana.cen4	Mediana.cen	numeric	ŁÓDZKIE
Średnia_cena_lokali4	Średnia_cena_lokali	numeric	ŁÓDZKIE
Wartość_lokali4	Wartość_lokali	numeric	ŁÓDZKIE
Wynagrodz_brutto4	Wynagrodz_brutto	numeric	ŁÓDZKIE
Bezrobocie4	Bezrobocie	numeric	ŁÓDZKIE
Małżeństwa4	Małżeństwa	numeric	ŁÓDZKIE
Inflacja4	Inflacja	numeric	ŁÓDZKIE
Wydatki_7004	Wydatki_700	numeric	ŁÓDZKIE
Mieszkania._oddane4	Mieszkania._oddane	numeric	ŁÓDZKIE
Pozwolenia_budowa4	Pozwolenia_budowa	numeric	ŁÓDZKIE
Miesięczny_dochód4	Miesięczny_dochód	numeric	ŁÓDZKIE
Rok5	Rok	numeric	MAŁOPOLSKIE
Liczba_sprzedanych5	Liczba_sprzedanych	numeric	MAŁOPOLSKIE
Powierzchnia_użytkowa5	Powierzchnia_użytkowa	numeric	MAŁOPOLSKIE
Średnia.cena.za.1m25	Średnia.cena.za.1m2	numeric	MAŁOPOLSKIE
Mediana.cen5	Mediana.cen	numeric	MAŁOPOLSKIE
Średnia_cena_lokali5	Średnia_cena_lokali	numeric	MAŁOPOLSKIE
Wartość_lokali5	Wartość_lokali	numeric	MAŁOPOLSKIE
Wynagrodz_brutto5	Wynagrodz_brutto	numeric	MAŁOPOLSKIE
Bezrobocie5	Bezrobocie	numeric	MAŁOPOLSKIE
Małżeństwa5	Małżeństwa	numeric	MAŁOPOLSKIE
Inflacja5	Inflacja	numeric	MAŁOPOLSKIE
Wydatki_7005	Wydatki_700	numeric	MAŁOPOLSKIE
Mieszkania._oddane5	Mieszkania._oddane	numeric	MAŁOPOLSKIE
Pozwolenia_budowa5	Pozwolenia_budowa	numeric	MAŁOPOLSKIE
Miesięczny_dochód5	Miesięczny_dochód	numeric	MAŁOPOLSKIE
Rok6	Rok	numeric	OPOLSKIE
Liczba_sprzedanych6	Liczba_sprzedanych	numeric	OPOLSKIE
Powierzchnia_użytkowa6	Powierzchnia_użytkowa	numeric	OPOLSKIE
Średnia.cena.za.1m26	Średnia.cena.za.1m2	numeric	OPOLSKIE
Mediana.cen6	Mediana.cen	numeric	OPOLSKIE
Średnia_cena_lokali6	Średnia_cena_lokali	numeric	OPOLSKIE
Wartość_lokali6	Wartość_lokali	numeric	OPOLSKIE
Wynagrodz_brutto6	Wynagrodz_brutto	numeric	OPOLSKIE
Bezrobocie6	Bezrobocie	numeric	OPOLSKIE
Małżeństwa6	Małżeństwa	numeric	OPOLSKIE
Inflacja6	Inflacja	numeric	OPOLSKIE
Wydatki_7006	Wydatki_700	numeric	OPOLSKIE
Mieszkania._oddane6	Mieszkania._oddane	numeric	OPOLSKIE
Pozwolenia_budowa6	Pozwolenia_budowa	numeric	OPOLSKIE
Miesięczny_dochód6	Miesięczny_dochód	numeric	OPOLSKIE
Rok7	Rok	numeric	MAZOWIECKIE
Liczba_sprzedanych7	Liczba_sprzedanych	numeric	MAZOWIECKIE
Powierzchnia_użytkowa7	Powierzchnia_użytkowa	numeric	MAZOWIECKIE
Średnia.cena.za.1m27	Średnia.cena.za.1m2	numeric	MAZOWIECKIE
Mediana.cen7	Mediana.cen	numeric	MAZOWIECKIE
Średnia_cena_lokali7	Średnia_cena_lokali	numeric	MAZOWIECKIE
Wartość_lokali7	Wartość_lokali	numeric	MAZOWIECKIE
Wynagrodz_brutto7	Wynagrodz_brutto	numeric	MAZOWIECKIE
Bezrobocie7	Bezrobocie	numeric	MAZOWIECKIE
Małżeństwa7	Małżeństwa	numeric	MAZOWIECKIE
Inflacja7	Inflacja	numeric	MAZOWIECKIE
Wydatki_7007	Wydatki_700	numeric	MAZOWIECKIE
Mieszkania._oddane7	Mieszkania._oddane	numeric	MAZOWIECKIE
Pozwolenia_budowa7	Pozwolenia_budowa	numeric	MAZOWIECKIE
Miesięczny_dochód7	Miesięczny_dochód	numeric	MAZOWIECKIE
Rok8	Rok	numeric	PODKARPACKIE
Liczba_sprzedanych8	Liczba_sprzedanych	numeric	PODKARPACKIE
Powierzchnia_użytkowa8	Powierzchnia_użytkowa	numeric	PODKARPACKIE
Średnia.cena.za.1m28	Średnia.cena.za.1m2	numeric	PODKARPACKIE
Mediana.cen8	Mediana.cen	numeric	PODKARPACKIE
Średnia_cena_lokali8	Średnia_cena_lokali	numeric	PODKARPACKIE
Wartość_lokali8	Wartość_lokali	numeric	PODKARPACKIE
Wynagrodz_brutto8	Wynagrodz_brutto	numeric	PODKARPACKIE
Bezrobocie8	Bezrobocie	numeric	PODKARPACKIE
Małżeństwa8	Małżeństwa	numeric	PODKARPACKIE
Inflacja8	Inflacja	numeric	PODKARPACKIE
Wydatki_7008	Wydatki_700	numeric	PODKARPACKIE
Mieszkania._oddane8	Mieszkania._oddane	numeric	PODKARPACKIE
Pozwolenia_budowa8	Pozwolenia_budowa	numeric	PODKARPACKIE
Miesięczny_dochód8	Miesięczny_dochód	numeric	PODKARPACKIE
Rok9	Rok	numeric	PODLASKIE
Liczba_sprzedanych9	Liczba_sprzedanych	numeric	PODLASKIE
Powierzchnia_użytkowa9	Powierzchnia_użytkowa	numeric	PODLASKIE
Średnia.cena.za.1m29	Średnia.cena.za.1m2	numeric	PODLASKIE
Mediana.cen9	Mediana.cen	numeric	PODLASKIE
Średnia_cena_lokali9	Średnia_cena_lokali	numeric	PODLASKIE
Wartość_lokali9	Wartość_lokali	numeric	PODLASKIE
Wynagrodz_brutto9	Wynagrodz_brutto	numeric	PODLASKIE
Bezrobocie9	Bezrobocie	numeric	PODLASKIE
Małżeństwa9	Małżeństwa	numeric	PODLASKIE
Inflacja9	Inflacja	numeric	PODLASKIE
Wydatki_7009	Wydatki_700	numeric	PODLASKIE
Mieszkania._oddane9	Mieszkania._oddane	numeric	PODLASKIE
Pozwolenia_budowa9	Pozwolenia_budowa	numeric	PODLASKIE
Miesięczny_dochód9	Miesięczny_dochód	numeric	PODLASKIE
Rok10	Rok	numeric	POMORSKIE
Liczba_sprzedanych10	Liczba_sprzedanych	numeric	POMORSKIE
Powierzchnia_użytkowa10	Powierzchnia_użytkowa	numeric	POMORSKIE
Średnia.cena.za.1m210	Średnia.cena.za.1m2	numeric	POMORSKIE
Mediana.cen10	Mediana.cen	numeric	POMORSKIE
Średnia_cena_lokali10	Średnia_cena_lokali	numeric	POMORSKIE
Wartość_lokali10	Wartość_lokali	numeric	POMORSKIE
Wynagrodz_brutto10	Wynagrodz_brutto	numeric	POMORSKIE
Bezrobocie10	Bezrobocie	numeric	POMORSKIE
Małżeństwa10	Małżeństwa	numeric	POMORSKIE
Inflacja10	Inflacja	numeric	POMORSKIE
Wydatki_70010	Wydatki_700	numeric	POMORSKIE
Mieszkania._oddane10	Mieszkania._oddane	numeric	POMORSKIE
Pozwolenia_budowa10	Pozwolenia_budowa	numeric	POMORSKIE
Miesięczny_dochód10	Miesięczny_dochód	numeric	POMORSKIE
Rok11	Rok	numeric	ŚWIĘTOKRZYSKIE
Liczba_sprzedanych11	Liczba_sprzedanych	numeric	ŚWIĘTOKRZYSKIE
Powierzchnia_użytkowa11	Powierzchnia_użytkowa	numeric	ŚWIĘTOKRZYSKIE
Średnia.cena.za.1m211	Średnia.cena.za.1m2	numeric	ŚWIĘTOKRZYSKIE
Mediana.cen11	Mediana.cen	numeric	ŚWIĘTOKRZYSKIE
Średnia_cena_lokali11	Średnia_cena_lokali	numeric	ŚWIĘTOKRZYSKIE
Wartość_lokali11	Wartość_lokali	numeric	ŚWIĘTOKRZYSKIE
Wynagrodz_brutto11	Wynagrodz_brutto	numeric	ŚWIĘTOKRZYSKIE
Bezrobocie11	Bezrobocie	numeric	ŚWIĘTOKRZYSKIE
Małżeństwa11	Małżeństwa	numeric	ŚWIĘTOKRZYSKIE
Inflacja11	Inflacja	numeric	ŚWIĘTOKRZYSKIE
Wydatki_70011	Wydatki_700	numeric	ŚWIĘTOKRZYSKIE
Mieszkania._oddane11	Mieszkania._oddane	numeric	ŚWIĘTOKRZYSKIE
Pozwolenia_budowa11	Pozwolenia_budowa	numeric	ŚWIĘTOKRZYSKIE
Miesięczny_dochód11	Miesięczny_dochód	numeric	ŚWIĘTOKRZYSKIE
Rok12	Rok	numeric	WIELKOPOLSKIE
Liczba_sprzedanych12	Liczba_sprzedanych	numeric	WIELKOPOLSKIE
Powierzchnia_użytkowa12	Powierzchnia_użytkowa	numeric	WIELKOPOLSKIE
Średnia.cena.za.1m212	Średnia.cena.za.1m2	numeric	WIELKOPOLSKIE
Mediana.cen12	Mediana.cen	numeric	WIELKOPOLSKIE
Średnia_cena_lokali12	Średnia_cena_lokali	numeric	WIELKOPOLSKIE
Wartość_lokali12	Wartość_lokali	numeric	WIELKOPOLSKIE
Wynagrodz_brutto12	Wynagrodz_brutto	numeric	WIELKOPOLSKIE
Bezrobocie12	Bezrobocie	numeric	WIELKOPOLSKIE
Małżeństwa12	Małżeństwa	numeric	WIELKOPOLSKIE
Inflacja12	Inflacja	numeric	WIELKOPOLSKIE
Wydatki_70012	Wydatki_700	numeric	WIELKOPOLSKIE
Mieszkania._oddane12	Mieszkania._oddane	numeric	WIELKOPOLSKIE
Pozwolenia_budowa12	Pozwolenia_budowa	numeric	WIELKOPOLSKIE
Miesięczny_dochód12	Miesięczny_dochód	numeric	WIELKOPOLSKIE
Rok13	Rok	numeric	WARMIŃSKO_MAZURSKIE
Liczba_sprzedanych13	Liczba_sprzedanych	numeric	WARMIŃSKO_MAZURSKIE
Powierzchnia_użytkowa13	Powierzchnia_użytkowa	numeric	WARMIŃSKO_MAZURSKIE
Średnia.cena.za.1m213	Średnia.cena.za.1m2	numeric	WARMIŃSKO_MAZURSKIE
Mediana.cen13	Mediana.cen	numeric	WARMIŃSKO_MAZURSKIE
Średnia_cena_lokali13	Średnia_cena_lokali	numeric	WARMIŃSKO_MAZURSKIE
Wartość_lokali13	Wartość_lokali	numeric	WARMIŃSKO_MAZURSKIE
Wynagrodz_brutto13	Wynagrodz_brutto	numeric	WARMIŃSKO_MAZURSKIE
Bezrobocie13	Bezrobocie	numeric	WARMIŃSKO_MAZURSKIE
Małżeństwa13	Małżeństwa	numeric	WARMIŃSKO_MAZURSKIE
Inflacja13	Inflacja	numeric	WARMIŃSKO_MAZURSKIE
Wydatki_70013	Wydatki_700	numeric	WARMIŃSKO_MAZURSKIE
Mieszkania._oddane13	Mieszkania._oddane	numeric	WARMIŃSKO_MAZURSKIE
Pozwolenia_budowa13	Pozwolenia_budowa	numeric	WARMIŃSKO_MAZURSKIE
Miesięczny_dochód13	Miesięczny_dochód	numeric	WARMIŃSKO_MAZURSKIE
Rok14	Rok	numeric	ZACHODNIOPOMORSKIE
Liczba_sprzedanych14	Liczba_sprzedanych	numeric	ZACHODNIOPOMORSKIE
Powierzchnia_użytkowa14	Powierzchnia_użytkowa	numeric	ZACHODNIOPOMORSKIE
Średnia.cena.za.1m214	Średnia.cena.za.1m2	numeric	ZACHODNIOPOMORSKIE
Mediana.cen14	Mediana.cen	numeric	ZACHODNIOPOMORSKIE
Średnia_cena_lokali14	Średnia_cena_lokali	numeric	ZACHODNIOPOMORSKIE
Wartość_lokali14	Wartość_lokali	numeric	ZACHODNIOPOMORSKIE
Wynagrodz_brutto14	Wynagrodz_brutto	numeric	ZACHODNIOPOMORSKIE
Bezrobocie14	Bezrobocie	numeric	ZACHODNIOPOMORSKIE
Małżeństwa14	Małżeństwa	numeric	ZACHODNIOPOMORSKIE
Inflacja14	Inflacja	numeric	ZACHODNIOPOMORSKIE
Wydatki_70014	Wydatki_700	numeric	ZACHODNIOPOMORSKIE
Mieszkania._oddane14	Mieszkania._oddane	numeric	ZACHODNIOPOMORSKIE
Pozwolenia_budowa14	Pozwolenia_budowa	numeric	ZACHODNIOPOMORSKIE
Miesięczny_dochód14	Miesięczny_dochód	numeric	ZACHODNIOPOMORSKIE

# Funkcja do oczyszczania danych
clean_numeric_column <- function(column) {
  if (is.character(column)) {
    column <- gsub(" ", "", column)  # Usuń spacje
    column <- gsub(",", ".", column)  # Zamień przecinki na kropki
    return(as.numeric(column))  # Konwertuj na numeryczne
  } else if (is.list(column)) {
    return(as.numeric(unlist(column)))  # Jeśli lista, rozwiń i konwertuj
  } else {
    return(column)  # Jeśli już numeryczne, pozostaw bez zmian
  }
}

# Edycja wszystkich kolumn w każdej ramce danych
data_list <- lapply(data_list, function(data) {
  data <- data.frame(lapply(data, clean_numeric_column))  # Oczyść każdą kolumnę
  return(data)
})

# Sprawdzenie typu danych dla każdej kolumny w każdej ramce danych
data_characteristics <- lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  data.frame(
    Kolumna = colnames(data),
    Typ = sapply(data, class),
    Region = region_name
  )
})

# Połączenie wyników w jedną tabelę
data_characteristics_df <- do.call(rbind, data_characteristics)

# Wyświetlenie wyników
library(knitr)
kable(data_characteristics_df, caption = "Charakterystyka danych w każdej ramce danych")

Charakterystyka danych w każdej ramce danych
	Kolumna	Typ	Region
Rok	Rok	numeric	DOLNOŚLĄSKIE
Liczba_sprzedanych	Liczba_sprzedanych	numeric	DOLNOŚLĄSKIE
Powierzchnia_użytkowa	Powierzchnia_użytkowa	numeric	DOLNOŚLĄSKIE
Średnia.cena.za.1m2	Średnia.cena.za.1m2	numeric	DOLNOŚLĄSKIE
Mediana.cen	Mediana.cen	numeric	DOLNOŚLĄSKIE
Średnia_cena_lokali	Średnia_cena_lokali	numeric	DOLNOŚLĄSKIE
Wartość_lokali	Wartość_lokali	numeric	DOLNOŚLĄSKIE
Wynagrodz_brutto	Wynagrodz_brutto	numeric	DOLNOŚLĄSKIE
Bezrobocie	Bezrobocie	numeric	DOLNOŚLĄSKIE
Małżeństwa	Małżeństwa	numeric	DOLNOŚLĄSKIE
Inflacja	Inflacja	numeric	DOLNOŚLĄSKIE
Wydatki_700	Wydatki_700	numeric	DOLNOŚLĄSKIE
Mieszkania._oddane	Mieszkania._oddane	numeric	DOLNOŚLĄSKIE
Pozwolenia_budowa	Pozwolenia_budowa	numeric	DOLNOŚLĄSKIE
Miesięczny_dochód	Miesięczny_dochód	numeric	DOLNOŚLĄSKIE
Rok1	Rok	numeric	KUJAWSKO_POMORSKIE
Liczba_sprzedanych1	Liczba_sprzedanych	numeric	KUJAWSKO_POMORSKIE
Powierzchnia_użytkowa1	Powierzchnia_użytkowa	numeric	KUJAWSKO_POMORSKIE
Średnia.cena.za.1m21	Średnia.cena.za.1m2	numeric	KUJAWSKO_POMORSKIE
Mediana.cen1	Mediana.cen	numeric	KUJAWSKO_POMORSKIE
Średnia_cena_lokali1	Średnia_cena_lokali	numeric	KUJAWSKO_POMORSKIE
Wartość_lokali1	Wartość_lokali	numeric	KUJAWSKO_POMORSKIE
Wynagrodz_brutto1	Wynagrodz_brutto	numeric	KUJAWSKO_POMORSKIE
Bezrobocie1	Bezrobocie	numeric	KUJAWSKO_POMORSKIE
Małżeństwa1	Małżeństwa	numeric	KUJAWSKO_POMORSKIE
Inflacja1	Inflacja	numeric	KUJAWSKO_POMORSKIE
Wydatki_7001	Wydatki_700	numeric	KUJAWSKO_POMORSKIE
Mieszkania._oddane1	Mieszkania._oddane	numeric	KUJAWSKO_POMORSKIE
Pozwolenia_budowa1	Pozwolenia_budowa	numeric	KUJAWSKO_POMORSKIE
Miesięczny_dochód1	Miesięczny_dochód	numeric	KUJAWSKO_POMORSKIE
Rok2	Rok	numeric	LUBELSKIE
Liczba_sprzedanych2	Liczba_sprzedanych	numeric	LUBELSKIE
Powierzchnia_użytkowa2	Powierzchnia_użytkowa	numeric	LUBELSKIE
Średnia.cena.za.1m22	Średnia.cena.za.1m2	numeric	LUBELSKIE
Mediana.cen2	Mediana.cen	numeric	LUBELSKIE
Średnia_cena_lokali2	Średnia_cena_lokali	numeric	LUBELSKIE
Wartość_lokali2	Wartość_lokali	numeric	LUBELSKIE
Wynagrodz_brutto2	Wynagrodz_brutto	numeric	LUBELSKIE
Bezrobocie2	Bezrobocie	numeric	LUBELSKIE
Małżeństwa2	Małżeństwa	numeric	LUBELSKIE
Inflacja2	Inflacja	numeric	LUBELSKIE
Wydatki_7002	Wydatki_700	numeric	LUBELSKIE
Mieszkania._oddane2	Mieszkania._oddane	numeric	LUBELSKIE
Pozwolenia_budowa2	Pozwolenia_budowa	numeric	LUBELSKIE
Miesięczny_dochód2	Miesięczny_dochód	numeric	LUBELSKIE
Rok3	Rok	numeric	LUBUSKIE
Liczba_sprzedanych3	Liczba_sprzedanych	numeric	LUBUSKIE
Powierzchnia_użytkowa3	Powierzchnia_użytkowa	numeric	LUBUSKIE
Średnia.cena.za.1m23	Średnia.cena.za.1m2	numeric	LUBUSKIE
Mediana.cen3	Mediana.cen	numeric	LUBUSKIE
Średnia_cena_lokali3	Średnia_cena_lokali	numeric	LUBUSKIE
Wartość_lokali3	Wartość_lokali	numeric	LUBUSKIE
Wynagrodz_brutto3	Wynagrodz_brutto	numeric	LUBUSKIE
Bezrobocie3	Bezrobocie	numeric	LUBUSKIE
Małżeństwa3	Małżeństwa	numeric	LUBUSKIE
Inflacja3	Inflacja	numeric	LUBUSKIE
Wydatki_7003	Wydatki_700	numeric	LUBUSKIE
Mieszkania._oddane3	Mieszkania._oddane	numeric	LUBUSKIE
Pozwolenia_budowa3	Pozwolenia_budowa	numeric	LUBUSKIE
Miesięczny_dochód3	Miesięczny_dochód	numeric	LUBUSKIE
Rok4	Rok	numeric	ŁÓDZKIE
Liczba_sprzedanych4	Liczba_sprzedanych	numeric	ŁÓDZKIE
Powierzchnia_użytkowa4	Powierzchnia_użytkowa	numeric	ŁÓDZKIE
Średnia.cena.za.1m24	Średnia.cena.za.1m2	numeric	ŁÓDZKIE
Mediana.cen4	Mediana.cen	numeric	ŁÓDZKIE
Średnia_cena_lokali4	Średnia_cena_lokali	numeric	ŁÓDZKIE
Wartość_lokali4	Wartość_lokali	numeric	ŁÓDZKIE
Wynagrodz_brutto4	Wynagrodz_brutto	numeric	ŁÓDZKIE
Bezrobocie4	Bezrobocie	numeric	ŁÓDZKIE
Małżeństwa4	Małżeństwa	numeric	ŁÓDZKIE
Inflacja4	Inflacja	numeric	ŁÓDZKIE
Wydatki_7004	Wydatki_700	numeric	ŁÓDZKIE
Mieszkania._oddane4	Mieszkania._oddane	numeric	ŁÓDZKIE
Pozwolenia_budowa4	Pozwolenia_budowa	numeric	ŁÓDZKIE
Miesięczny_dochód4	Miesięczny_dochód	numeric	ŁÓDZKIE
Rok5	Rok	numeric	MAŁOPOLSKIE
Liczba_sprzedanych5	Liczba_sprzedanych	numeric	MAŁOPOLSKIE
Powierzchnia_użytkowa5	Powierzchnia_użytkowa	numeric	MAŁOPOLSKIE
Średnia.cena.za.1m25	Średnia.cena.za.1m2	numeric	MAŁOPOLSKIE
Mediana.cen5	Mediana.cen	numeric	MAŁOPOLSKIE
Średnia_cena_lokali5	Średnia_cena_lokali	numeric	MAŁOPOLSKIE
Wartość_lokali5	Wartość_lokali	numeric	MAŁOPOLSKIE
Wynagrodz_brutto5	Wynagrodz_brutto	numeric	MAŁOPOLSKIE
Bezrobocie5	Bezrobocie	numeric	MAŁOPOLSKIE
Małżeństwa5	Małżeństwa	numeric	MAŁOPOLSKIE
Inflacja5	Inflacja	numeric	MAŁOPOLSKIE
Wydatki_7005	Wydatki_700	numeric	MAŁOPOLSKIE
Mieszkania._oddane5	Mieszkania._oddane	numeric	MAŁOPOLSKIE
Pozwolenia_budowa5	Pozwolenia_budowa	numeric	MAŁOPOLSKIE
Miesięczny_dochód5	Miesięczny_dochód	numeric	MAŁOPOLSKIE
Rok6	Rok	numeric	OPOLSKIE
Liczba_sprzedanych6	Liczba_sprzedanych	numeric	OPOLSKIE
Powierzchnia_użytkowa6	Powierzchnia_użytkowa	numeric	OPOLSKIE
Średnia.cena.za.1m26	Średnia.cena.za.1m2	numeric	OPOLSKIE
Mediana.cen6	Mediana.cen	numeric	OPOLSKIE
Średnia_cena_lokali6	Średnia_cena_lokali	numeric	OPOLSKIE
Wartość_lokali6	Wartość_lokali	numeric	OPOLSKIE
Wynagrodz_brutto6	Wynagrodz_brutto	numeric	OPOLSKIE
Bezrobocie6	Bezrobocie	numeric	OPOLSKIE
Małżeństwa6	Małżeństwa	numeric	OPOLSKIE
Inflacja6	Inflacja	numeric	OPOLSKIE
Wydatki_7006	Wydatki_700	numeric	OPOLSKIE
Mieszkania._oddane6	Mieszkania._oddane	numeric	OPOLSKIE
Pozwolenia_budowa6	Pozwolenia_budowa	numeric	OPOLSKIE
Miesięczny_dochód6	Miesięczny_dochód	numeric	OPOLSKIE
Rok7	Rok	numeric	MAZOWIECKIE
Liczba_sprzedanych7	Liczba_sprzedanych	numeric	MAZOWIECKIE
Powierzchnia_użytkowa7	Powierzchnia_użytkowa	numeric	MAZOWIECKIE
Średnia.cena.za.1m27	Średnia.cena.za.1m2	numeric	MAZOWIECKIE
Mediana.cen7	Mediana.cen	numeric	MAZOWIECKIE
Średnia_cena_lokali7	Średnia_cena_lokali	numeric	MAZOWIECKIE
Wartość_lokali7	Wartość_lokali	numeric	MAZOWIECKIE
Wynagrodz_brutto7	Wynagrodz_brutto	numeric	MAZOWIECKIE
Bezrobocie7	Bezrobocie	numeric	MAZOWIECKIE
Małżeństwa7	Małżeństwa	numeric	MAZOWIECKIE
Inflacja7	Inflacja	numeric	MAZOWIECKIE
Wydatki_7007	Wydatki_700	numeric	MAZOWIECKIE
Mieszkania._oddane7	Mieszkania._oddane	numeric	MAZOWIECKIE
Pozwolenia_budowa7	Pozwolenia_budowa	numeric	MAZOWIECKIE
Miesięczny_dochód7	Miesięczny_dochód	numeric	MAZOWIECKIE
Rok8	Rok	numeric	PODKARPACKIE
Liczba_sprzedanych8	Liczba_sprzedanych	numeric	PODKARPACKIE
Powierzchnia_użytkowa8	Powierzchnia_użytkowa	numeric	PODKARPACKIE
Średnia.cena.za.1m28	Średnia.cena.za.1m2	numeric	PODKARPACKIE
Mediana.cen8	Mediana.cen	numeric	PODKARPACKIE
Średnia_cena_lokali8	Średnia_cena_lokali	numeric	PODKARPACKIE
Wartość_lokali8	Wartość_lokali	numeric	PODKARPACKIE
Wynagrodz_brutto8	Wynagrodz_brutto	numeric	PODKARPACKIE
Bezrobocie8	Bezrobocie	numeric	PODKARPACKIE
Małżeństwa8	Małżeństwa	numeric	PODKARPACKIE
Inflacja8	Inflacja	numeric	PODKARPACKIE
Wydatki_7008	Wydatki_700	numeric	PODKARPACKIE
Mieszkania._oddane8	Mieszkania._oddane	numeric	PODKARPACKIE
Pozwolenia_budowa8	Pozwolenia_budowa	numeric	PODKARPACKIE
Miesięczny_dochód8	Miesięczny_dochód	numeric	PODKARPACKIE
Rok9	Rok	numeric	PODLASKIE
Liczba_sprzedanych9	Liczba_sprzedanych	numeric	PODLASKIE
Powierzchnia_użytkowa9	Powierzchnia_użytkowa	numeric	PODLASKIE
Średnia.cena.za.1m29	Średnia.cena.za.1m2	numeric	PODLASKIE
Mediana.cen9	Mediana.cen	numeric	PODLASKIE
Średnia_cena_lokali9	Średnia_cena_lokali	numeric	PODLASKIE
Wartość_lokali9	Wartość_lokali	numeric	PODLASKIE
Wynagrodz_brutto9	Wynagrodz_brutto	numeric	PODLASKIE
Bezrobocie9	Bezrobocie	numeric	PODLASKIE
Małżeństwa9	Małżeństwa	numeric	PODLASKIE
Inflacja9	Inflacja	numeric	PODLASKIE
Wydatki_7009	Wydatki_700	numeric	PODLASKIE
Mieszkania._oddane9	Mieszkania._oddane	numeric	PODLASKIE
Pozwolenia_budowa9	Pozwolenia_budowa	numeric	PODLASKIE
Miesięczny_dochód9	Miesięczny_dochód	numeric	PODLASKIE
Rok10	Rok	numeric	POMORSKIE
Liczba_sprzedanych10	Liczba_sprzedanych	numeric	POMORSKIE
Powierzchnia_użytkowa10	Powierzchnia_użytkowa	numeric	POMORSKIE
Średnia.cena.za.1m210	Średnia.cena.za.1m2	numeric	POMORSKIE
Mediana.cen10	Mediana.cen	numeric	POMORSKIE
Średnia_cena_lokali10	Średnia_cena_lokali	numeric	POMORSKIE
Wartość_lokali10	Wartość_lokali	numeric	POMORSKIE
Wynagrodz_brutto10	Wynagrodz_brutto	numeric	POMORSKIE
Bezrobocie10	Bezrobocie	numeric	POMORSKIE
Małżeństwa10	Małżeństwa	numeric	POMORSKIE
Inflacja10	Inflacja	numeric	POMORSKIE
Wydatki_70010	Wydatki_700	numeric	POMORSKIE
Mieszkania._oddane10	Mieszkania._oddane	numeric	POMORSKIE
Pozwolenia_budowa10	Pozwolenia_budowa	numeric	POMORSKIE
Miesięczny_dochód10	Miesięczny_dochód	numeric	POMORSKIE
Rok11	Rok	numeric	ŚWIĘTOKRZYSKIE
Liczba_sprzedanych11	Liczba_sprzedanych	numeric	ŚWIĘTOKRZYSKIE
Powierzchnia_użytkowa11	Powierzchnia_użytkowa	numeric	ŚWIĘTOKRZYSKIE
Średnia.cena.za.1m211	Średnia.cena.za.1m2	numeric	ŚWIĘTOKRZYSKIE
Mediana.cen11	Mediana.cen	numeric	ŚWIĘTOKRZYSKIE
Średnia_cena_lokali11	Średnia_cena_lokali	numeric	ŚWIĘTOKRZYSKIE
Wartość_lokali11	Wartość_lokali	numeric	ŚWIĘTOKRZYSKIE
Wynagrodz_brutto11	Wynagrodz_brutto	numeric	ŚWIĘTOKRZYSKIE
Bezrobocie11	Bezrobocie	numeric	ŚWIĘTOKRZYSKIE
Małżeństwa11	Małżeństwa	numeric	ŚWIĘTOKRZYSKIE
Inflacja11	Inflacja	numeric	ŚWIĘTOKRZYSKIE
Wydatki_70011	Wydatki_700	numeric	ŚWIĘTOKRZYSKIE
Mieszkania._oddane11	Mieszkania._oddane	numeric	ŚWIĘTOKRZYSKIE
Pozwolenia_budowa11	Pozwolenia_budowa	numeric	ŚWIĘTOKRZYSKIE
Miesięczny_dochód11	Miesięczny_dochód	numeric	ŚWIĘTOKRZYSKIE
Rok12	Rok	numeric	WIELKOPOLSKIE
Liczba_sprzedanych12	Liczba_sprzedanych	numeric	WIELKOPOLSKIE
Powierzchnia_użytkowa12	Powierzchnia_użytkowa	numeric	WIELKOPOLSKIE
Średnia.cena.za.1m212	Średnia.cena.za.1m2	numeric	WIELKOPOLSKIE
Mediana.cen12	Mediana.cen	numeric	WIELKOPOLSKIE
Średnia_cena_lokali12	Średnia_cena_lokali	numeric	WIELKOPOLSKIE
Wartość_lokali12	Wartość_lokali	numeric	WIELKOPOLSKIE
Wynagrodz_brutto12	Wynagrodz_brutto	numeric	WIELKOPOLSKIE
Bezrobocie12	Bezrobocie	numeric	WIELKOPOLSKIE
Małżeństwa12	Małżeństwa	numeric	WIELKOPOLSKIE
Inflacja12	Inflacja	numeric	WIELKOPOLSKIE
Wydatki_70012	Wydatki_700	numeric	WIELKOPOLSKIE
Mieszkania._oddane12	Mieszkania._oddane	numeric	WIELKOPOLSKIE
Pozwolenia_budowa12	Pozwolenia_budowa	numeric	WIELKOPOLSKIE
Miesięczny_dochód12	Miesięczny_dochód	numeric	WIELKOPOLSKIE
Rok13	Rok	numeric	WARMIŃSKO_MAZURSKIE
Liczba_sprzedanych13	Liczba_sprzedanych	numeric	WARMIŃSKO_MAZURSKIE
Powierzchnia_użytkowa13	Powierzchnia_użytkowa	numeric	WARMIŃSKO_MAZURSKIE
Średnia.cena.za.1m213	Średnia.cena.za.1m2	numeric	WARMIŃSKO_MAZURSKIE
Mediana.cen13	Mediana.cen	numeric	WARMIŃSKO_MAZURSKIE
Średnia_cena_lokali13	Średnia_cena_lokali	numeric	WARMIŃSKO_MAZURSKIE
Wartość_lokali13	Wartość_lokali	numeric	WARMIŃSKO_MAZURSKIE
Wynagrodz_brutto13	Wynagrodz_brutto	numeric	WARMIŃSKO_MAZURSKIE
Bezrobocie13	Bezrobocie	numeric	WARMIŃSKO_MAZURSKIE
Małżeństwa13	Małżeństwa	numeric	WARMIŃSKO_MAZURSKIE
Inflacja13	Inflacja	numeric	WARMIŃSKO_MAZURSKIE
Wydatki_70013	Wydatki_700	numeric	WARMIŃSKO_MAZURSKIE
Mieszkania._oddane13	Mieszkania._oddane	numeric	WARMIŃSKO_MAZURSKIE
Pozwolenia_budowa13	Pozwolenia_budowa	numeric	WARMIŃSKO_MAZURSKIE
Miesięczny_dochód13	Miesięczny_dochód	numeric	WARMIŃSKO_MAZURSKIE
Rok14	Rok	numeric	ZACHODNIOPOMORSKIE
Liczba_sprzedanych14	Liczba_sprzedanych	numeric	ZACHODNIOPOMORSKIE
Powierzchnia_użytkowa14	Powierzchnia_użytkowa	numeric	ZACHODNIOPOMORSKIE
Średnia.cena.za.1m214	Średnia.cena.za.1m2	numeric	ZACHODNIOPOMORSKIE
Mediana.cen14	Mediana.cen	numeric	ZACHODNIOPOMORSKIE
Średnia_cena_lokali14	Średnia_cena_lokali	numeric	ZACHODNIOPOMORSKIE
Wartość_lokali14	Wartość_lokali	numeric	ZACHODNIOPOMORSKIE
Wynagrodz_brutto14	Wynagrodz_brutto	numeric	ZACHODNIOPOMORSKIE
Bezrobocie14	Bezrobocie	numeric	ZACHODNIOPOMORSKIE
Małżeństwa14	Małżeństwa	numeric	ZACHODNIOPOMORSKIE
Inflacja14	Inflacja	numeric	ZACHODNIOPOMORSKIE
Wydatki_70014	Wydatki_700	numeric	ZACHODNIOPOMORSKIE
Mieszkania._oddane14	Mieszkania._oddane	numeric	ZACHODNIOPOMORSKIE
Pozwolenia_budowa14	Pozwolenia_budowa	numeric	ZACHODNIOPOMORSKIE
Miesięczny_dochód14	Miesięczny_dochód	numeric	ZACHODNIOPOMORSKIE

# Funkcja do analizy ramki danych
analyze_dataframe <- function(data) {
  data.frame(
    Kolumna = colnames(data),                     # Nazwa kolumny
    Typ = sapply(data, class),                   # Typ danych w kolumnie
    Liczba_NA = colSums(is.na(data)),            # Liczba brakujących wartości w kolumnie
    Liczba_Wierszy = nrow(data)                  # Liczba wierszy (ta sama dla wszystkich kolumn)
  )
}

# Analiza każdej ramki danych w data_list
analysis_list <- lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  result <- analyze_dataframe(data)
  result$Region <- region_name  # Dodanie informacji o regionie
  return(result)
})

# Połączenie wyników w jedną tabelę
analysis_df <- do.call(rbind, analysis_list)

# Wyświetlenie wyników w wygodnym formacie
library(knitr)
kable(analysis_df, caption = "Analiza danych w data_list")

Analiza danych w data_list
	Kolumna	Typ	Liczba_Wierszy	Region
Rok	Rok	numeric	14	DOLNOŚLĄSKIE
Liczba_sprzedanych	Liczba_sprzedanych	numeric	14	DOLNOŚLĄSKIE
Powierzchnia_użytkowa	Powierzchnia_użytkowa	numeric	14	DOLNOŚLĄSKIE
Średnia.cena.za.1m2	Średnia.cena.za.1m2	numeric	14	DOLNOŚLĄSKIE
Mediana.cen	Mediana.cen	numeric	14	DOLNOŚLĄSKIE
Średnia_cena_lokali	Średnia_cena_lokali	numeric	14	DOLNOŚLĄSKIE
Wartość_lokali	Wartość_lokali	numeric	14	DOLNOŚLĄSKIE
Wynagrodz_brutto	Wynagrodz_brutto	numeric	14	DOLNOŚLĄSKIE
Bezrobocie	Bezrobocie	numeric	14	DOLNOŚLĄSKIE
Małżeństwa	Małżeństwa	numeric	14	DOLNOŚLĄSKIE
Inflacja	Inflacja	numeric	14	DOLNOŚLĄSKIE
Wydatki_700	Wydatki_700	numeric	14	DOLNOŚLĄSKIE
Mieszkania._oddane	Mieszkania._oddane	numeric	14	DOLNOŚLĄSKIE
Pozwolenia_budowa	Pozwolenia_budowa	numeric	14	DOLNOŚLĄSKIE
Miesięczny_dochód	Miesięczny_dochód	numeric	14	DOLNOŚLĄSKIE
Rok1	Rok	numeric	14	KUJAWSKO_POMORSKIE
Liczba_sprzedanych1	Liczba_sprzedanych	numeric	14	KUJAWSKO_POMORSKIE
Powierzchnia_użytkowa1	Powierzchnia_użytkowa	numeric	14	KUJAWSKO_POMORSKIE
Średnia.cena.za.1m21	Średnia.cena.za.1m2	numeric	14	KUJAWSKO_POMORSKIE
Mediana.cen1	Mediana.cen	numeric	14	KUJAWSKO_POMORSKIE
Średnia_cena_lokali1	Średnia_cena_lokali	numeric	14	KUJAWSKO_POMORSKIE
Wartość_lokali1	Wartość_lokali	numeric	14	KUJAWSKO_POMORSKIE
Wynagrodz_brutto1	Wynagrodz_brutto	numeric	14	KUJAWSKO_POMORSKIE
Bezrobocie1	Bezrobocie	numeric	14	KUJAWSKO_POMORSKIE
Małżeństwa1	Małżeństwa	numeric	14	KUJAWSKO_POMORSKIE
Inflacja1	Inflacja	numeric	14	KUJAWSKO_POMORSKIE
Wydatki_7001	Wydatki_700	numeric	14	KUJAWSKO_POMORSKIE
Mieszkania._oddane1	Mieszkania._oddane	numeric	14	KUJAWSKO_POMORSKIE
Pozwolenia_budowa1	Pozwolenia_budowa	numeric	14	KUJAWSKO_POMORSKIE
Miesięczny_dochód1	Miesięczny_dochód	numeric	14	KUJAWSKO_POMORSKIE
Rok2	Rok	numeric	14	LUBELSKIE
Liczba_sprzedanych2	Liczba_sprzedanych	numeric	14	LUBELSKIE
Powierzchnia_użytkowa2	Powierzchnia_użytkowa	numeric	14	LUBELSKIE
Średnia.cena.za.1m22	Średnia.cena.za.1m2	numeric	14	LUBELSKIE
Mediana.cen2	Mediana.cen	numeric	14	LUBELSKIE
Średnia_cena_lokali2	Średnia_cena_lokali	numeric	14	LUBELSKIE
Wartość_lokali2	Wartość_lokali	numeric	14	LUBELSKIE
Wynagrodz_brutto2	Wynagrodz_brutto	numeric	14	LUBELSKIE
Bezrobocie2	Bezrobocie	numeric	14	LUBELSKIE
Małżeństwa2	Małżeństwa	numeric	14	LUBELSKIE
Inflacja2	Inflacja	numeric	14	LUBELSKIE
Wydatki_7002	Wydatki_700	numeric	14	LUBELSKIE
Mieszkania._oddane2	Mieszkania._oddane	numeric	14	LUBELSKIE
Pozwolenia_budowa2	Pozwolenia_budowa	numeric	14	LUBELSKIE
Miesięczny_dochód2	Miesięczny_dochód	numeric	14	LUBELSKIE
Rok3	Rok	numeric	14	LUBUSKIE
Liczba_sprzedanych3	Liczba_sprzedanych	numeric	14	LUBUSKIE
Powierzchnia_użytkowa3	Powierzchnia_użytkowa	numeric	14	LUBUSKIE
Średnia.cena.za.1m23	Średnia.cena.za.1m2	numeric	14	LUBUSKIE
Mediana.cen3	Mediana.cen	numeric	14	LUBUSKIE
Średnia_cena_lokali3	Średnia_cena_lokali	numeric	14	LUBUSKIE
Wartość_lokali3	Wartość_lokali	numeric	14	LUBUSKIE
Wynagrodz_brutto3	Wynagrodz_brutto	numeric	14	LUBUSKIE
Bezrobocie3	Bezrobocie	numeric	14	LUBUSKIE
Małżeństwa3	Małżeństwa	numeric	14	LUBUSKIE
Inflacja3	Inflacja	numeric	14	LUBUSKIE
Wydatki_7003	Wydatki_700	numeric	14	LUBUSKIE
Mieszkania._oddane3	Mieszkania._oddane	numeric	14	LUBUSKIE
Pozwolenia_budowa3	Pozwolenia_budowa	numeric	14	LUBUSKIE
Miesięczny_dochód3	Miesięczny_dochód	numeric	14	LUBUSKIE
Rok4	Rok	numeric	14	ŁÓDZKIE
Liczba_sprzedanych4	Liczba_sprzedanych	numeric	14	ŁÓDZKIE
Powierzchnia_użytkowa4	Powierzchnia_użytkowa	numeric	14	ŁÓDZKIE
Średnia.cena.za.1m24	Średnia.cena.za.1m2	numeric	14	ŁÓDZKIE
Mediana.cen4	Mediana.cen	numeric	14	ŁÓDZKIE
Średnia_cena_lokali4	Średnia_cena_lokali	numeric	14	ŁÓDZKIE
Wartość_lokali4	Wartość_lokali	numeric	14	ŁÓDZKIE
Wynagrodz_brutto4	Wynagrodz_brutto	numeric	14	ŁÓDZKIE
Bezrobocie4	Bezrobocie	numeric	14	ŁÓDZKIE
Małżeństwa4	Małżeństwa	numeric	14	ŁÓDZKIE
Inflacja4	Inflacja	numeric	14	ŁÓDZKIE
Wydatki_7004	Wydatki_700	numeric	14	ŁÓDZKIE
Mieszkania._oddane4	Mieszkania._oddane	numeric	14	ŁÓDZKIE
Pozwolenia_budowa4	Pozwolenia_budowa	numeric	14	ŁÓDZKIE
Miesięczny_dochód4	Miesięczny_dochód	numeric	14	ŁÓDZKIE
Rok5	Rok	numeric	14	MAŁOPOLSKIE
Liczba_sprzedanych5	Liczba_sprzedanych	numeric	14	MAŁOPOLSKIE
Powierzchnia_użytkowa5	Powierzchnia_użytkowa	numeric	14	MAŁOPOLSKIE
Średnia.cena.za.1m25	Średnia.cena.za.1m2	numeric	14	MAŁOPOLSKIE
Mediana.cen5	Mediana.cen	numeric	14	MAŁOPOLSKIE
Średnia_cena_lokali5	Średnia_cena_lokali	numeric	14	MAŁOPOLSKIE
Wartość_lokali5	Wartość_lokali	numeric	14	MAŁOPOLSKIE
Wynagrodz_brutto5	Wynagrodz_brutto	numeric	14	MAŁOPOLSKIE
Bezrobocie5	Bezrobocie	numeric	14	MAŁOPOLSKIE
Małżeństwa5	Małżeństwa	numeric	14	MAŁOPOLSKIE
Inflacja5	Inflacja	numeric	14	MAŁOPOLSKIE
Wydatki_7005	Wydatki_700	numeric	14	MAŁOPOLSKIE
Mieszkania._oddane5	Mieszkania._oddane	numeric	14	MAŁOPOLSKIE
Pozwolenia_budowa5	Pozwolenia_budowa	numeric	14	MAŁOPOLSKIE
Miesięczny_dochód5	Miesięczny_dochód	numeric	14	MAŁOPOLSKIE
Rok6	Rok	numeric	14	OPOLSKIE
Liczba_sprzedanych6	Liczba_sprzedanych	numeric	14	OPOLSKIE
Powierzchnia_użytkowa6	Powierzchnia_użytkowa	numeric	14	OPOLSKIE
Średnia.cena.za.1m26	Średnia.cena.za.1m2	numeric	14	OPOLSKIE
Mediana.cen6	Mediana.cen	numeric	14	OPOLSKIE
Średnia_cena_lokali6	Średnia_cena_lokali	numeric	14	OPOLSKIE
Wartość_lokali6	Wartość_lokali	numeric	14	OPOLSKIE
Wynagrodz_brutto6	Wynagrodz_brutto	numeric	14	OPOLSKIE
Bezrobocie6	Bezrobocie	numeric	14	OPOLSKIE
Małżeństwa6	Małżeństwa	numeric	14	OPOLSKIE
Inflacja6	Inflacja	numeric	14	OPOLSKIE
Wydatki_7006	Wydatki_700	numeric	14	OPOLSKIE
Mieszkania._oddane6	Mieszkania._oddane	numeric	14	OPOLSKIE
Pozwolenia_budowa6	Pozwolenia_budowa	numeric	14	OPOLSKIE
Miesięczny_dochód6	Miesięczny_dochód	numeric	14	OPOLSKIE
Rok7	Rok	numeric	14	MAZOWIECKIE
Liczba_sprzedanych7	Liczba_sprzedanych	numeric	14	MAZOWIECKIE
Powierzchnia_użytkowa7	Powierzchnia_użytkowa	numeric	14	MAZOWIECKIE
Średnia.cena.za.1m27	Średnia.cena.za.1m2	numeric	14	MAZOWIECKIE
Mediana.cen7	Mediana.cen	numeric	14	MAZOWIECKIE
Średnia_cena_lokali7	Średnia_cena_lokali	numeric	14	MAZOWIECKIE
Wartość_lokali7	Wartość_lokali	numeric	14	MAZOWIECKIE
Wynagrodz_brutto7	Wynagrodz_brutto	numeric	14	MAZOWIECKIE
Bezrobocie7	Bezrobocie	numeric	14	MAZOWIECKIE
Małżeństwa7	Małżeństwa	numeric	14	MAZOWIECKIE
Inflacja7	Inflacja	numeric	14	MAZOWIECKIE
Wydatki_7007	Wydatki_700	numeric	14	MAZOWIECKIE
Mieszkania._oddane7	Mieszkania._oddane	numeric	14	MAZOWIECKIE
Pozwolenia_budowa7	Pozwolenia_budowa	numeric	14	MAZOWIECKIE
Miesięczny_dochód7	Miesięczny_dochód	numeric	14	MAZOWIECKIE
Rok8	Rok	numeric	14	PODKARPACKIE
Liczba_sprzedanych8	Liczba_sprzedanych	numeric	14	PODKARPACKIE
Powierzchnia_użytkowa8	Powierzchnia_użytkowa	numeric	14	PODKARPACKIE
Średnia.cena.za.1m28	Średnia.cena.za.1m2	numeric	14	PODKARPACKIE
Mediana.cen8	Mediana.cen	numeric	14	PODKARPACKIE
Średnia_cena_lokali8	Średnia_cena_lokali	numeric	14	PODKARPACKIE
Wartość_lokali8	Wartość_lokali	numeric	14	PODKARPACKIE
Wynagrodz_brutto8	Wynagrodz_brutto	numeric	14	PODKARPACKIE
Bezrobocie8	Bezrobocie	numeric	14	PODKARPACKIE
Małżeństwa8	Małżeństwa	numeric	14	PODKARPACKIE
Inflacja8	Inflacja	numeric	14	PODKARPACKIE
Wydatki_7008	Wydatki_700	numeric	14	PODKARPACKIE
Mieszkania._oddane8	Mieszkania._oddane	numeric	14	PODKARPACKIE
Pozwolenia_budowa8	Pozwolenia_budowa	numeric	14	PODKARPACKIE
Miesięczny_dochód8	Miesięczny_dochód	numeric	14	PODKARPACKIE
Rok9	Rok	numeric	14	PODLASKIE
Liczba_sprzedanych9	Liczba_sprzedanych	numeric	14	PODLASKIE
Powierzchnia_użytkowa9	Powierzchnia_użytkowa	numeric	14	PODLASKIE
Średnia.cena.za.1m29	Średnia.cena.za.1m2	numeric	14	PODLASKIE
Mediana.cen9	Mediana.cen	numeric	14	PODLASKIE
Średnia_cena_lokali9	Średnia_cena_lokali	numeric	14	PODLASKIE
Wartość_lokali9	Wartość_lokali	numeric	14	PODLASKIE
Wynagrodz_brutto9	Wynagrodz_brutto	numeric	14	PODLASKIE
Bezrobocie9	Bezrobocie	numeric	14	PODLASKIE
Małżeństwa9	Małżeństwa	numeric	14	PODLASKIE
Inflacja9	Inflacja	numeric	14	PODLASKIE
Wydatki_7009	Wydatki_700	numeric	14	PODLASKIE
Mieszkania._oddane9	Mieszkania._oddane	numeric	14	PODLASKIE
Pozwolenia_budowa9	Pozwolenia_budowa	numeric	14	PODLASKIE
Miesięczny_dochód9	Miesięczny_dochód	numeric	14	PODLASKIE
Rok10	Rok	numeric	14	POMORSKIE
Liczba_sprzedanych10	Liczba_sprzedanych	numeric	14	POMORSKIE
Powierzchnia_użytkowa10	Powierzchnia_użytkowa	numeric	14	POMORSKIE
Średnia.cena.za.1m210	Średnia.cena.za.1m2	numeric	14	POMORSKIE
Mediana.cen10	Mediana.cen	numeric	14	POMORSKIE
Średnia_cena_lokali10	Średnia_cena_lokali	numeric	14	POMORSKIE
Wartość_lokali10	Wartość_lokali	numeric	14	POMORSKIE
Wynagrodz_brutto10	Wynagrodz_brutto	numeric	14	POMORSKIE
Bezrobocie10	Bezrobocie	numeric	14	POMORSKIE
Małżeństwa10	Małżeństwa	numeric	14	POMORSKIE
Inflacja10	Inflacja	numeric	14	POMORSKIE
Wydatki_70010	Wydatki_700	numeric	14	POMORSKIE
Mieszkania._oddane10	Mieszkania._oddane	numeric	14	POMORSKIE
Pozwolenia_budowa10	Pozwolenia_budowa	numeric	14	POMORSKIE
Miesięczny_dochód10	Miesięczny_dochód	numeric	14	POMORSKIE
Rok11	Rok	numeric	14	ŚWIĘTOKRZYSKIE
Liczba_sprzedanych11	Liczba_sprzedanych	numeric	14	ŚWIĘTOKRZYSKIE
Powierzchnia_użytkowa11	Powierzchnia_użytkowa	numeric	14	ŚWIĘTOKRZYSKIE
Średnia.cena.za.1m211	Średnia.cena.za.1m2	numeric	14	ŚWIĘTOKRZYSKIE
Mediana.cen11	Mediana.cen	numeric	14	ŚWIĘTOKRZYSKIE
Średnia_cena_lokali11	Średnia_cena_lokali	numeric	14	ŚWIĘTOKRZYSKIE
Wartość_lokali11	Wartość_lokali	numeric	14	ŚWIĘTOKRZYSKIE
Wynagrodz_brutto11	Wynagrodz_brutto	numeric	14	ŚWIĘTOKRZYSKIE
Bezrobocie11	Bezrobocie	numeric	14	ŚWIĘTOKRZYSKIE
Małżeństwa11	Małżeństwa	numeric	14	ŚWIĘTOKRZYSKIE
Inflacja11	Inflacja	numeric	14	ŚWIĘTOKRZYSKIE
Wydatki_70011	Wydatki_700	numeric	14	ŚWIĘTOKRZYSKIE
Mieszkania._oddane11	Mieszkania._oddane	numeric	14	ŚWIĘTOKRZYSKIE
Pozwolenia_budowa11	Pozwolenia_budowa	numeric	14	ŚWIĘTOKRZYSKIE
Miesięczny_dochód11	Miesięczny_dochód	numeric	14	ŚWIĘTOKRZYSKIE
Rok12	Rok	numeric	14	WIELKOPOLSKIE
Liczba_sprzedanych12	Liczba_sprzedanych	numeric	14	WIELKOPOLSKIE
Powierzchnia_użytkowa12	Powierzchnia_użytkowa	numeric	14	WIELKOPOLSKIE
Średnia.cena.za.1m212	Średnia.cena.za.1m2	numeric	14	WIELKOPOLSKIE
Mediana.cen12	Mediana.cen	numeric	14	WIELKOPOLSKIE
Średnia_cena_lokali12	Średnia_cena_lokali	numeric	14	WIELKOPOLSKIE
Wartość_lokali12	Wartość_lokali	numeric	14	WIELKOPOLSKIE
Wynagrodz_brutto12	Wynagrodz_brutto	numeric	14	WIELKOPOLSKIE
Bezrobocie12	Bezrobocie	numeric	14	WIELKOPOLSKIE
Małżeństwa12	Małżeństwa	numeric	14	WIELKOPOLSKIE
Inflacja12	Inflacja	numeric	14	WIELKOPOLSKIE
Wydatki_70012	Wydatki_700	numeric	14	WIELKOPOLSKIE
Mieszkania._oddane12	Mieszkania._oddane	numeric	14	WIELKOPOLSKIE
Pozwolenia_budowa12	Pozwolenia_budowa	numeric	14	WIELKOPOLSKIE
Miesięczny_dochód12	Miesięczny_dochód	numeric	14	WIELKOPOLSKIE
Rok13	Rok	numeric	14	WARMIŃSKO_MAZURSKIE
Liczba_sprzedanych13	Liczba_sprzedanych	numeric	14	WARMIŃSKO_MAZURSKIE
Powierzchnia_użytkowa13	Powierzchnia_użytkowa	numeric	14	WARMIŃSKO_MAZURSKIE
Średnia.cena.za.1m213	Średnia.cena.za.1m2	numeric	14	WARMIŃSKO_MAZURSKIE
Mediana.cen13	Mediana.cen	numeric	14	WARMIŃSKO_MAZURSKIE
Średnia_cena_lokali13	Średnia_cena_lokali	numeric	14	WARMIŃSKO_MAZURSKIE
Wartość_lokali13	Wartość_lokali	numeric	14	WARMIŃSKO_MAZURSKIE
Wynagrodz_brutto13	Wynagrodz_brutto	numeric	14	WARMIŃSKO_MAZURSKIE
Bezrobocie13	Bezrobocie	numeric	14	WARMIŃSKO_MAZURSKIE
Małżeństwa13	Małżeństwa	numeric	14	WARMIŃSKO_MAZURSKIE
Inflacja13	Inflacja	numeric	14	WARMIŃSKO_MAZURSKIE
Wydatki_70013	Wydatki_700	numeric	14	WARMIŃSKO_MAZURSKIE
Mieszkania._oddane13	Mieszkania._oddane	numeric	14	WARMIŃSKO_MAZURSKIE
Pozwolenia_budowa13	Pozwolenia_budowa	numeric	14	WARMIŃSKO_MAZURSKIE
Miesięczny_dochód13	Miesięczny_dochód	numeric	14	WARMIŃSKO_MAZURSKIE
Rok14	Rok	numeric	14	ZACHODNIOPOMORSKIE
Liczba_sprzedanych14	Liczba_sprzedanych	numeric	14	ZACHODNIOPOMORSKIE
Powierzchnia_użytkowa14	Powierzchnia_użytkowa	numeric	14	ZACHODNIOPOMORSKIE
Średnia.cena.za.1m214	Średnia.cena.za.1m2	numeric	14	ZACHODNIOPOMORSKIE
Mediana.cen14	Mediana.cen	numeric	14	ZACHODNIOPOMORSKIE
Średnia_cena_lokali14	Średnia_cena_lokali	numeric	14	ZACHODNIOPOMORSKIE
Wartość_lokali14	Wartość_lokali	numeric	14	ZACHODNIOPOMORSKIE
Wynagrodz_brutto14	Wynagrodz_brutto	numeric	14	ZACHODNIOPOMORSKIE
Bezrobocie14	Bezrobocie	numeric	14	ZACHODNIOPOMORSKIE
Małżeństwa14	Małżeństwa	numeric	14	ZACHODNIOPOMORSKIE
Inflacja14	Inflacja	numeric	14	ZACHODNIOPOMORSKIE
Wydatki_70014	Wydatki_700	numeric	14	ZACHODNIOPOMORSKIE
Mieszkania._oddane14	Mieszkania._oddane	numeric	14	ZACHODNIOPOMORSKIE
Pozwolenia_budowa14	Pozwolenia_budowa	numeric	14	ZACHODNIOPOMORSKIE
Miesięczny_dochód14	Miesięczny_dochód	numeric	14	ZACHODNIOPOMORSKIE

2. Wizualizacja i Analiza zmiennych w podziale na Województwa

2.1 Wykresy Linowe

library(ggplot2)

## Warning: pakiet 'ggplot2' został zbudowany w wersji R 4.3.3

# Tworzenie wykresów liniowych dla wszystkich zmiennych w każdej ramce danych
for (region_name in names(data_list)) {
  data <- data_list[[region_name]]
  
  # Iteracja przez wszystkie kolumny (poza "Rok", która będzie osią X)
  for (col_name in colnames(data)[-1]) {
    # Tworzenie wykresu
    plot <- ggplot(data, aes_string(x = "Rok", y = col_name)) +
      geom_line(color = "blue") +
      theme_minimal() +
      labs(
        title = paste("Wykres dla", col_name, "w regionie", region_name),
        x = "Rok",
        y = col_name
      )
    
    # Zapis wykresu do pliku (opcjonalnie) lub wyświetlenie
    print(plot)
  }
}

## Warning: `aes_string()` was deprecated in ggplot2 3.0.0.
## ℹ Please use tidy evaluation idioms with `aes()`.
## ℹ See also `vignette("ggplot2-in-packages")` for more information.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

library(ggplot2)

# Lista nazw kolumn (zmiennych) do iteracji
variable_names <- colnames(data_list[[1]])[-1]  # Załóżmy, że kolumna "Rok" jest w każdej ramce danych

# Iteracja przez wszystkie zmienne
for (variable_name in variable_names) {
  
  # Tworzenie zbiorczej ramki danych dla danej zmiennej
  combined_data <- do.call(rbind, lapply(names(data_list), function(region_name) {
    data <- data_list[[region_name]]
    data.frame(
      Rok = data[["Rok"]],
      Wartość = data[[variable_name]],
      Region = region_name
    )
  }))
  
  # Tworzenie wykresu dla danej zmiennej
  plot <- ggplot(combined_data, aes(x = Rok, y = Wartość, color = Region)) +
    geom_line() +
    theme_minimal() +
    labs(
      title = paste("Wykres dla zmiennej:", variable_name),
      x = "Rok",
      y = variable_name
    )
  
  # Wyświetlenie wykresu
  print(plot)
}

1. Liczba_sprzedanych

library(ggplot2)

# Tworzenie zbiorczej ramki danych dla zmiennej
combined_data <- do.call(rbind, lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  data.frame(
    Rok = data[['Rok']],
    Wartość = data[["Liczba_sprzedanych"]],
    Region = region_name
  )
}))

# Tworzenie wykresu dla zmiennej
plot <- ggplot(combined_data, aes(x = Rok, y = Wartość, color = Region)) +
  geom_line() +
  theme_minimal() +
  labs(
    title = paste('Wykres dla zmiennej:', 'Liczba_sprzedanych'),
    x = 'Rok',
    y = 'Liczba_sprzedanych'
  )




print(plot)

# Obliczanie statystyk opisowych dla zmiennej
statystyki_opisowe <- combined_data %>%
  group_by(Region) %>%
  summarise(
    Średnia = mean(Wartość, na.rm = TRUE),
    Mediana = median(Wartość, na.rm = TRUE),
    Odchylenie_standardowe = sd(Wartość, na.rm = TRUE),
    Minimum = min(Wartość, na.rm = TRUE),
    Maksimum = max(Wartość, na.rm = TRUE),
    Liczba_obserwacji = sum(!is.na(Wartość))
  )

# Wyświetlenie wyników
library(knitr)
kable(statystyki_opisowe, caption = "Statystyki opisowe dla zmiennej 'Liczba_sprzedanych'")

Statystyki opisowe dla zmiennej ‘Liczba_sprzedanych’
Region	Średnia	Mediana	Odchylenie_standardowe	Minimum	Maksimum	Liczba_obserwacji
DOLNOŚLĄSKIE	21473.286	21107.0	5870.6545	14136	33606	14
KUJAWSKO_POMORSKIE	7636.357	7481.0	2065.1281	4454	10639	14
LUBELSKIE	5602.214	5449.5	2279.9850	2950	8990	14
LUBUSKIE	5129.929	5046.0	1269.4297	3512	6933	14
MAZOWIECKIE	30302.429	34209.0	9510.2805	17046	43304	14
MAŁOPOLSKIE	15159.071	14051.0	4455.5374	9206	22952	14
OPOLSKIE	3282.143	3093.0	868.6602	2181	4453	14
PODKARPACKIE	4150.357	3513.0	2048.5028	1480	7595	14
PODLASKIE	4562.071	4417.0	1509.6835	2496	7154	14
POMORSKIE	18096.571	18012.5	5575.8446	8968	26367	14
WARMIŃSKO_MAZURSKIE	7380.286	7063.0	1850.8795	5055	10089	14
WIELKOPOLSKIE	14542.786	13701.5	4536.0854	8903	22247	14
ZACHODNIOPOMORSKIE	8436.071	8308.5	1679.6986	5859	11678	14
ŁÓDZKIE	8485.214	8048.5	3177.2109	3852	13501	14
ŚWIĘTOKRZYSKIE	2262.214	2088.0	849.1341	985	3581	14

2. Powierzchnia_użytkowa

library(ggplot2)

# Tworzenie zbiorczej ramki danych dla zmiennej
combined_data <- do.call(rbind, lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  data.frame(
    Rok = data[['Rok']],
    Wartość = data[["Powierzchnia_użytkowa"]],
    Region = region_name
  )
}))

# Tworzenie wykresu dla zmiennej
plot <- ggplot(combined_data, aes(x = Rok, y = Wartość, color = Region)) +
  geom_line() +
  theme_minimal() +
  labs(
    title = paste('Wykres dla zmiennej:', 'Powierzchnia_użytkowa'),
    x = 'Rok',
    y = 'Powierzchnia_użytkowa'
  )

# Wyświetlenie wykresu
print(plot)

# Obliczanie statystyk opisowych dla zmiennej
statystyki_opisowe <- combined_data %>%
  group_by(Region) %>%
  summarise(
    Średnia = mean(Wartość, na.rm = TRUE),
    Mediana = median(Wartość, na.rm = TRUE),
    Odchylenie_standardowe = sd(Wartość, na.rm = TRUE),
    Minimum = min(Wartość, na.rm = TRUE),
    Maksimum = max(Wartość, na.rm = TRUE),
    Liczba_obserwacji = sum(!is.na(Wartość))
  )

# Wyświetlenie wyników
library(knitr)
kable(statystyki_opisowe, caption = "Statystyki opisowe dla zmiennej 'Powierzchnia_użytkowa'")

Statystyki opisowe dla zmiennej ‘Powierzchnia_użytkowa’
Region	Średnia	Mediana	Odchylenie_standardowe	Minimum	Maksimum	Liczba_obserwacji
DOLNOŚLĄSKIE	1184739.7	1166527.1	332991.75	766093.8	1886647.0	14
KUJAWSKO_POMORSKIE	391549.8	384970.7	105793.42	227609.6	554379.6	14
LUBELSKIE	293409.9	285910.9	118067.76	155034.5	462302.9	14
LUBUSKIE	270291.2	264851.0	69235.28	181949.6	367625.5	14
MAZOWIECKIE	1749036.6	1912800.0	570064.03	961549.1	2546477.4	14
MAŁOPOLSKIE	795151.6	726318.2	240252.04	485136.7	1208748.6	14
OPOLSKIE	178755.2	168680.4	48820.27	114732.5	247661.5	14
PODKARPACKIE	224704.2	180799.5	115291.76	75777.7	408252.4	14
PODLASKIE	235851.1	225445.0	77879.76	132953.3	375563.2	14
POMORSKIE	995266.3	982591.9	316697.61	487259.3	1494232.1	14
WARMIŃSKO_MAZURSKIE	380892.0	364418.2	100523.64	257505.1	531073.2	14
WIELKOPOLSKIE	814753.6	745225.8	261810.73	498182.1	1253588.1	14
ZACHODNIOPOMORSKIE	449099.2	431151.7	91104.65	312974.6	624831.7	14
ŁÓDZKIE	430736.0	407618.0	155746.09	199049.1	677240.5	14
ŚWIĘTOKRZYSKIE	115278.9	104464.7	44111.40	49135.8	185752.2	14

3. Miesięczny_dochód

library(ggplot2)

# Tworzenie zbiorczej ramki danych dla zmiennej
combined_data <- do.call(rbind, lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  data.frame(
    Rok = data[['Rok']],
    Wartość = data[["Miesięczny_dochód"]],
    Region = region_name
  )
}))

# Tworzenie wykresu dla zmiennej
plot <- ggplot(combined_data, aes(x = Rok, y = Wartość, color = Region)) +
  geom_line() +
  theme_minimal() +
  labs(
    title = paste('Wykres dla zmiennej:', 'Miesięczny_dochód'),
    x = 'Rok',
    y = 'Miesięczny_dochód'
  )

# Wyświetlenie wykresu
print(plot)

# Obliczanie statystyk opisowych dla zmiennej
statystyki_opisowe <- combined_data %>%
  group_by(Region) %>%
  summarise(
    Średnia = mean(Wartość, na.rm = TRUE),
    Mediana = median(Wartość, na.rm = TRUE),
    Odchylenie_standardowe = sd(Wartość, na.rm = TRUE),
    Minimum = min(Wartość, na.rm = TRUE),
    Maksimum = max(Wartość, na.rm = TRUE),
    Liczba_obserwacji = sum(!is.na(Wartość))
  )

kable(statystyki_opisowe, caption = "Statystyki opisowe dla zmiennej 'Miesięczny_dochód'")

Statystyki opisowe dla zmiennej ‘Miesięczny_dochód’
Region	Średnia	Mediana	Odchylenie_standardowe	Minimum	Maksimum	Liczba_obserwacji
DOLNOŚLĄSKIE	1733.731	1606.105	452.6426	1239.17	2739.90	14
KUJAWSKO_POMORSKIE	1544.111	1382.590	442.8368	1108.94	2534.15	14
LUBELSKIE	1468.379	1367.860	439.5289	978.49	2461.44	14
LUBUSKIE	1654.417	1544.865	474.7911	1153.06	2745.66	14
MAZOWIECKIE	2035.965	1846.485	469.9396	1601.97	3208.99	14
MAŁOPOLSKIE	1610.324	1457.685	490.8983	1107.54	2789.94	14
OPOLSKIE	1495.866	1450.325	302.6984	1115.73	2128.76	14
PODKARPACKIE	1324.744	1194.200	406.0204	907.28	2280.97	14
PODLASKIE	1619.856	1502.700	475.2813	1103.20	2681.20	14
POMORSKIE	1630.394	1604.695	309.0178	1243.12	2291.82	14
WARMIŃSKO_MAZURSKIE	1530.942	1433.970	434.7732	1096.87	2428.06	14
WIELKOPOLSKIE	1561.446	1503.315	411.9283	1125.74	2495.02	14
ZACHODNIOPOMORSKIE	1673.039	1567.750	469.5398	1186.91	2800.81	14
ŁÓDZKIE	1632.252	1512.125	432.0110	1178.73	2555.46	14
ŚWIĘTOKRZYSKIE	1476.675	1369.320	408.9410	1026.36	2418.76	14

4. Pozwolenia_budowa

library(ggplot2)

# Tworzenie zbiorczej ramki danych dla zmiennej
combined_data <- do.call(rbind, lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  data.frame(
    Rok = data[['Rok']],
    Wartość = data[["Pozwolenia_budowa"]],
    Region = region_name
  )
}))

# Tworzenie wykresu dla zmiennej
plot <- ggplot(combined_data, aes(x = Rok, y = Wartość, color = Region)) +
  geom_line() +
  theme_minimal() +
  labs(
    title = paste('Wykres dla zmiennej:', 'Pozwolenia_budowa'),
    x = 'Rok',
    y = 'Pozwolenia_budowa'
  )

# Wyświetlenie wykresu
print(plot)

# Obliczanie statystyk opisowych dla zmiennej
statystyki_opisowe <- combined_data %>%
  group_by(Region) %>%
  summarise(
    Średnia = mean(Wartość, na.rm = TRUE),
    Mediana = median(Wartość, na.rm = TRUE),
    Odchylenie_standardowe = sd(Wartość, na.rm = TRUE),
    Minimum = min(Wartość, na.rm = TRUE),
    Maksimum = max(Wartość, na.rm = TRUE),
    Liczba_obserwacji = sum(!is.na(Wartość))
  )


kable(statystyki_opisowe, caption = "Statystyki opisowe dla zmiennej 'Pozwolenia_budowa'")

Statystyki opisowe dla zmiennej ‘Pozwolenia_budowa’
Region	Średnia	Mediana	Odchylenie_standardowe	Minimum	Maksimum	Liczba_obserwacji
DOLNOŚLĄSKIE	21359.500	20619.5	6036.778	13561	29805	14
KUJAWSKO_POMORSKIE	10021.929	9085.5	3033.350	6252	16220	14
LUBELSKIE	9073.071	8405.0	2584.029	5687	15368	14
LUBUSKIE	5379.643	5732.5	1526.925	2766	8044	14
MAZOWIECKIE	43029.071	43484.0	10118.078	26501	62568	14
MAŁOPOLSKIE	21788.929	23130.0	4507.729	13548	29745	14
OPOLSKIE	2943.857	2583.5	1021.992	1682	4895	14
PODKARPACKIE	9995.857	9823.0	2187.369	7071	13532	14
PODLASKIE	6279.429	5570.5	2141.934	3806	10444	14
POMORSKIE	19282.929	18708.0	6605.778	10636	31296	14
WARMIŃSKO_MAZURSKIE	6895.786	6449.5	2114.808	3743	10865	14
WIELKOPOLSKIE	23758.571	23307.0	6577.647	14275	37193	14
ZACHODNIOPOMORSKIE	10091.429	9951.0	3134.997	5279	13949	14
ŁÓDZKIE	12463.071	11220.5	4955.871	7403	22694	14
ŚWIĘTOKRZYSKIE	4628.429	4505.0	1033.443	2985	6596	14

5. Mieszkania._oddane

library(ggplot2)

# Tworzenie zbiorczej ramki danych dla zmiennej
combined_data <- do.call(rbind, lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  data.frame(
    Rok = data[['Rok']],
    Wartość = data[["Mieszkania._oddane"]],
    Region = region_name
  )
}))

# Tworzenie wykresu dla zmiennej
plot <- ggplot(combined_data, aes(x = Rok, y = Wartość, color = Region)) +
  geom_line() +
  theme_minimal() +
  labs(
    title = paste('Wykres dla zmiennej:', 'Mieszkania._oddane'),
    x = 'Rok',
    y = 'Mieszkania._oddane'
  )

# Wyświetlenie wykresu
print(plot)

# Obliczanie statystyk opisowych dla zmiennej
statystyki_opisowe <- combined_data %>%
  group_by(Region) %>%
  summarise(
    Średnia = mean(Wartość, na.rm = TRUE),
    Mediana = median(Wartość, na.rm = TRUE),
    Odchylenie_standardowe = sd(Wartość, na.rm = TRUE),
    Minimum = min(Wartość, na.rm = TRUE),
    Maksimum = max(Wartość, na.rm = TRUE),
    Liczba_obserwacji = sum(!is.na(Wartość))
  )

kable(statystyki_opisowe, caption = "Statystyki opisowe dla zmiennej 'Mieszkania._oddane'")

Statystyki opisowe dla zmiennej ‘Mieszkania._oddane’
Region	Średnia	Mediana	Odchylenie_standardowe	Minimum	Maksimum	Liczba_obserwacji
DOLNOŚLĄSKIE	9513.643	9452.5	5245.9972	157	16913	14
KUJAWSKO_POMORSKIE	3505.857	2785.5	1398.6157	1939	6265	14
LUBELSKIE	3157.071	3138.0	1115.0635	1643	4983	14
LUBUSKIE	1762.429	1629.0	743.0970	332	2883	14
MAZOWIECKIE	20797.500	18583.0	10920.6878	312	35308	14
MAŁOPOLSKIE	9989.929	10451.5	3115.0015	5352	14222	14
OPOLSKIE	889.500	732.0	512.3340	161	1773	14
PODKARPACKIE	2404.643	2434.0	1403.8305	254	4548	14
PODLASKIE	3016.929	2582.5	966.8825	2036	4887	14
POMORSKIE	9520.643	9003.0	4832.0810	649	15813	14
WARMIŃSKO_MAZURSKIE	2271.071	2433.5	1579.5034	38	4936	14
WIELKOPOLSKIE	9898.143	10052.0	4607.3794	639	16961	14
ZACHODNIOPOMORSKIE	3873.429	3435.0	2176.6839	529	7071	14
ŁÓDZKIE	3898.286	3101.5	2067.1724	1535	7365	14
ŚWIĘTOKRZYSKIE	1026.500	851.5	411.8840	568	1688	14

6. Wydatki_700

library(ggplot2)

# Tworzenie zbiorczej ramki danych dla zmiennej
combined_data <- do.call(rbind, lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  data.frame(
    Rok = data[['Rok']],
    Wartość = data[["Wydatki_700"]],
    Region = region_name
  )
}))

# Tworzenie wykresu dla zmiennej
plot <- ggplot(combined_data, aes(x = Rok, y = Wartość, color = Region)) +
  geom_line() +
  theme_minimal() +
  labs(
    title = paste('Wykres dla zmiennej:', 'Wydatki_700'),
    x = 'Rok',
    y = 'Wydatki_700'
  )

# Wyświetlenie wykresu
print(plot)

# Obliczanie statystyk opisowych dla zmiennej
statystyki_opisowe <- combined_data %>%
  group_by(Region) %>%
  summarise(
    Średnia = mean(Wartość, na.rm = TRUE),
    Mediana = median(Wartość, na.rm = TRUE),
    Odchylenie_standardowe = sd(Wartość, na.rm = TRUE),
    Minimum = min(Wartość, na.rm = TRUE),
    Maksimum = max(Wartość, na.rm = TRUE),
    Liczba_obserwacji = sum(!is.na(Wartość))
  )

# Wyświetlenie wyników
kable(statystyki_opisowe, caption = "Statystyki opisowe dla zmiennej 'Wydatki_700'")

Statystyki opisowe dla zmiennej ‘Wydatki_700’
Region	Średnia	Mediana	Odchylenie_standardowe	Minimum	Maksimum	Liczba_obserwacji
DOLNOŚLĄSKIE	6807887	5676406.0	5401080.7	1486237.69	22034049	14
KUJAWSKO_POMORSKIE	2228121	1923638.9	1909506.5	239413.23	7026111	14
LUBELSKIE	7319308	6589009.2	3027448.6	1748865.80	14198353	14
LUBUSKIE	1114756	708827.9	903800.7	253641.25	3297951	14
MAZOWIECKIE	25082308	21470909.3	13035256.1	5760884.52	53946285	14
MAŁOPOLSKIE	2284567	1566711.4	1693281.3	981252.20	6046041	14
OPOLSKIE	2741549	2193002.0	2814045.5	164821.03	9367141	14
PODKARPACKIE	2998259	1106674.3	5495165.0	431816.35	21164133	14
PODLASKIE	1939308	1431040.7	2194086.6	276362.92	8369383	14
POMORSKIE	24801997	21513722.9	14352531.2	7369897.44	63884435	14
WARMIŃSKO_MAZURSKIE	8514501	9060096.3	5629257.0	1081024.51	17343080	14
WIELKOPOLSKIE	3547439	2914526.7	3111401.9	888055.35	12297578	14
ZACHODNIOPOMORSKIE	2004455	1664268.7	1035980.4	1120911.29	4497421	14
ŁÓDZKIE	23568477	24465042.8	8671909.3	12414990.66	40209498	14
ŚWIĘTOKRZYSKIE	2786008	655091.8	3276902.7	37646.84	9172178	14

7. Inflacja

library(ggplot2)

# Tworzenie zbiorczej ramki danych dla zmiennej
combined_data <- do.call(rbind, lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  data.frame(
    Rok = data[['Rok']],
    Wartość = data[["Inflacja"]],
    Region = region_name
  )
}))

# Tworzenie wykresu dla zmiennej
plot <- ggplot(combined_data, aes(x = Rok, y = Wartość, color = Region)) +
  geom_line() +
  theme_minimal() +
  labs(
    title = paste('Wykres dla zmiennej:', 'Inflacja'),
    x = 'Rok',
    y = 'Inflacja'
  )

# Wyświetlenie wykresu
print(plot)

# Obliczanie statystyk opisowych dla zmiennej
statystyki_opisowe <- combined_data %>%
  group_by(Region) %>%
  summarise(
    Średnia = mean(Wartość, na.rm = TRUE),
    Mediana = median(Wartość, na.rm = TRUE),
    Odchylenie_standardowe = sd(Wartość, na.rm = TRUE),
    Minimum = min(Wartość, na.rm = TRUE),
    Maksimum = max(Wartość, na.rm = TRUE),
    Liczba_obserwacji = sum(!is.na(Wartość))
  )

# Wyświetlenie wyników
kable(statystyki_opisowe, caption = "Statystyki opisowe dla zmiennej 'Inflacja'")

Statystyki opisowe dla zmiennej ‘Inflacja’
Region	Średnia	Mediana	Odchylenie_standardowe	Minimum	Maksimum	Liczba_obserwacji
DOLNOŚLĄSKIE	103.4000	102.50	4.091642	99.2	113.4	14
KUJAWSKO_POMORSKIE	103.6714	102.45	4.523686	99.1	115.6	14
LUBELSKIE	103.3857	102.25	4.458330	98.8	115.0	14
LUBUSKIE	103.7786	102.65	4.226688	99.6	113.6	14
MAZOWIECKIE	103.4500	102.30	4.265560	99.1	113.5	14
MAŁOPOLSKIE	103.8643	102.75	4.496256	99.2	114.9	14
OPOLSKIE	103.5786	102.55	4.532817	98.9	115.8	14
PODKARPACKIE	103.5714	102.75	4.259908	98.9	113.6	14
PODLASKIE	103.3786	102.35	4.333621	98.7	114.1	14
POMORSKIE	103.5286	102.35	4.251955	99.2	113.9	14
WARMIŃSKO_MAZURSKIE	103.6643	102.85	4.291245	99.2	113.9	14
WIELKOPOLSKIE	103.8143	102.70	4.525969	98.9	115.2	14
ZACHODNIOPOMORSKIE	103.5714	102.50	4.303921	99.1	113.1	14
ŁÓDZKIE	103.6857	102.70	4.677912	98.8	116.1	14
ŚWIĘTOKRZYSKIE	103.6643	102.55	4.597593	98.3	115.7	14

8. Małżeństwa

library(ggplot2)

# Tworzenie zbiorczej ramki danych dla zmiennej
combined_data <- do.call(rbind, lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  data.frame(
    Rok = data[['Rok']],
    Wartość = data[["Małżeństwa"]],
    Region = region_name
  )
}))

# Tworzenie wykresu dla zmiennej
plot <- ggplot(combined_data, aes(x = Rok, y = Wartość, color = Region)) +
  geom_line() +
  theme_minimal() +
  labs(
    title = paste('Wykres dla zmiennej:', 'Małżeństwa'),
    x = 'Rok',
    y = 'Małżeństwa'
  )

# Wyświetlenie wykresu
print(plot)

# Obliczanie statystyk opisowych dla zmiennej
statystyki_opisowe <- combined_data %>%
  group_by(Region) %>%
  summarise(
    Średnia = mean(Wartość, na.rm = TRUE),
    Mediana = median(Wartość, na.rm = TRUE),
    Odchylenie_standardowe = sd(Wartość, na.rm = TRUE),
    Minimum = min(Wartość, na.rm = TRUE),
    Maksimum = max(Wartość, na.rm = TRUE),
    Liczba_obserwacji = sum(!is.na(Wartość))
  )

# Wyświetlenie wyników
kable(statystyki_opisowe, caption = "Statystyki opisowe dla zmiennej 'Małżeństwa'")

Statystyki opisowe dla zmiennej ‘Małżeństwa’
Region	Średnia	Mediana	Odchylenie_standardowe	Minimum	Maksimum	Liczba_obserwacji
DOLNOŚLĄSKIE	13557.214	13733.5	1429.8839	10816	16390	14
KUJAWSKO_POMORSKIE	9850.286	10243.5	1427.8138	7552	12447	14
LUBELSKIE	10219.000	10538.5	1688.2033	7344	13302	14
LUBUSKIE	4706.857	4905.0	695.0926	3511	5926	14
MAZOWIECKIE	25649.714	26039.0	2379.4521	21179	30488	14
MAŁOPOLSKIE	17310.929	17674.0	1622.2877	14463	20381	14
OPOLSKIE	4509.071	4750.0	777.6363	3173	5693	14
PODKARPACKIE	10448.143	10863.0	1665.1295	7579	13213	14
PODLASKIE	5671.500	5934.0	840.2825	4094	7003	14
POMORSKIE	11592.929	11895.0	1162.7893	9430	13604	14
WARMIŃSKO_MAZURSKIE	6508.643	6694.5	1049.6645	4767	8370	14
WIELKOPOLSKIE	17329.000	17604.0	2085.6023	13982	21191	14
ZACHODNIOPOMORSKIE	7835.857	8207.0	966.0329	6148	9521	14
ŁÓDZKIE	11206.357	11430.5	1549.6931	8755	14513	14
ŚWIĘTOKRZYSKIE	5707.143	5879.0	1087.7036	3929	7833	14

9. Bezrobocie

library(ggplot2)

# Tworzenie zbiorczej ramki danych dla zmiennej
combined_data <- do.call(rbind, lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  data.frame(
    Rok = data[['Rok']],
    Wartość = data[["Bezrobocie"]],
    Region = region_name
  )
}))

# Tworzenie wykresu dla zmiennej
plot <- ggplot(combined_data, aes(x = Rok, y = Wartość, color = Region)) +
  geom_line() +
  theme_minimal() +
  labs(
    title = paste('Wykres dla zmiennej:', 'Bezrobocie'),
    x = 'Rok',
    y = 'Bezrobocie'
  )

# Wyświetlenie wykresu
print(plot)

# Obliczanie statystyk opisowych dla zmiennej
statystyki_opisowe <- combined_data %>%
  group_by(Region) %>%
  summarise(
    Średnia = mean(Wartość, na.rm = TRUE),
    Mediana = median(Wartość, na.rm = TRUE),
    Odchylenie_standardowe = sd(Wartość, na.rm = TRUE),
    Minimum = min(Wartość, na.rm = TRUE),
    Maksimum = max(Wartość, na.rm = TRUE),
    Liczba_obserwacji = sum(!is.na(Wartość))
  )

# Wyświetlenie wyników
kable(statystyki_opisowe, caption = "Statystyki opisowe dla zmiennej 'Bezrobocie'")

Statystyki opisowe dla zmiennej ‘Bezrobocie’
Region	Średnia	Mediana	Odchylenie_standardowe	Minimum	Maksimum	Liczba_obserwacji
DOLNOŚLĄSKIE	8.078571	6.45	3.652855	4.4	13.5	14
KUJAWSKO_POMORSKIE	12.078571	10.95	4.305842	7.1	18.2	14
LUBELSKIE	10.442857	9.55	2.641595	7.5	14.4	14
LUBUSKIE	9.385714	7.55	4.701368	4.3	15.9	14
MAZOWIECKIE	7.100000	6.30	2.650109	4.1	11.1	14
MAŁOPOLSKIE	7.242857	5.95	2.906416	4.1	11.5	14
OPOLSKIE	9.350000	8.15	3.441768	5.8	14.4	14
PODKARPACKIE	11.821429	10.70	3.255097	7.9	16.4	14
PODLASKIE	10.385714	9.40	3.208608	6.9	15.1	14
POMORSKIE	8.114286	6.50	3.615960	4.5	13.4	14
WARMIŃSKO_MAZURSKIE	14.257143	12.95	5.217532	8.3	21.6	14
WIELKOPOLSKIE	5.628571	4.30	2.831262	2.8	9.8	14
ZACHODNIOPOMORSKIE	11.635714	9.70	4.835224	6.7	18.2	14
ŁÓDZKIE	8.942857	7.60	3.445334	5.4	14.1	14
ŚWIĘTOKRZYSKIE	11.307143	9.80	3.457092	7.8	16.6	14

10. Wynagrodz_brutto

library(ggplot2)

# Tworzenie zbiorczej ramki danych dla zmiennej
combined_data <- do.call(rbind, lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  data.frame(
    Rok = data[['Rok']],
    Wartość = data[["Wynagrodz_brutto"]],
    Region = region_name
  )
}))

# Tworzenie wykresu dla zmiennej
plot <- ggplot(combined_data, aes(x = Rok, y = Wartość, color = Region)) +
  geom_line() +
  theme_minimal() +
  labs(
    title = paste('Wykres dla zmiennej:', 'Wynagrodz_brutto'),
    x = 'Rok',
    y = 'Wynagrodz_brutto'
  )

# Wyświetlenie wykresu
print(plot)

# Obliczanie statystyk opisowych dla zmiennej
statystyki_opisowe <- combined_data %>%
  group_by(Region) %>%
  summarise(
    Średnia = mean(Wartość, na.rm = TRUE),
    Mediana = median(Wartość, na.rm = TRUE),
    Odchylenie_standardowe = sd(Wartość, na.rm = TRUE),
    Minimum = min(Wartość, na.rm = TRUE),
    Maksimum = max(Wartość, na.rm = TRUE),
    Liczba_obserwacji = sum(!is.na(Wartość))
  )

# Wyświetlenie wyników
kable(statystyki_opisowe, caption = "Statystyki opisowe dla zmiennej 'Wynagrodz_brutto'")

Statystyki opisowe dla zmiennej ‘Wynagrodz_brutto’
Region	Średnia	Mediana	Odchylenie_standardowe	Minimum	Maksimum	Liczba_obserwacji
DOLNOŚLĄSKIE	4918.791	4520.175	1343.262	3412.37	7850.30	14
KUJAWSKO_POMORSKIE	4169.871	3779.590	1144.224	2910.82	6721.48	14
LUBELSKIE	4293.716	3918.100	1087.892	3099.60	6774.52	14
LUBUSKIE	4212.411	3842.925	1183.749	2920.43	6882.46	14
MAZOWIECKIE	5832.480	5382.255	1381.408	4279.55	8928.60	14
MAŁOPOLSKIE	4677.626	4212.505	1402.336	3169.90	7736.56	14
OPOLSKIE	4392.129	4035.975	1160.265	3137.29	6975.81	14
PODKARPACKIE	4087.359	3745.420	1066.550	2877.43	6436.15	14
PODLASKIE	4278.016	3886.570	1141.273	3019.83	6805.04	14
POMORSKIE	4790.967	4385.685	1248.459	3383.58	7550.99	14
WARMIŃSKO_MAZURSKIE	4066.004	3711.070	1070.636	2879.97	6447.09	14
WIELKOPOLSKIE	4349.301	4009.115	1098.507	3126.36	6772.06	14
ZACHODNIOPOMORSKIE	4424.172	4050.265	1165.091	3120.15	7007.40	14
ŁÓDZKIE	4424.828	4033.520	1200.207	3066.02	7052.93	14
ŚWIĘTOKRZYSKIE	4171.399	3790.530	1086.577	2971.58	6585.16	14

11. Wartość_lokali

# Tworzenie zbiorczej ramki danych dla zmiennej
combined_data <- do.call(rbind, lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  data.frame(
    Rok = data[['Rok']],
    Wartość = data[["Wartość_lokali"]],
    Region = region_name
  )
}))

# Tworzenie wykresu dla zmiennej
plot <- ggplot(combined_data, aes(x = Rok, y = Wartość, color = Region)) +
  geom_line() +
  theme_minimal() +
  labs(
    title = paste('Wykres dla zmiennej:', 'Wartość_lokali'),
    x = 'Rok',
    y = 'Wartość_lokali'
  )

# Wyświetlenie wykresu
print(plot)

# Obliczanie statystyk opisowych dla zmiennej
statystyki_opisowe <- combined_data %>%
  group_by(Region) %>%
  summarise(
    Średnia = mean(Wartość, na.rm = TRUE),
    Mediana = median(Wartość, na.rm = TRUE),
    Odchylenie_standardowe = sd(Wartość, na.rm = TRUE),
    Minimum = min(Wartość, na.rm = TRUE),
    Maksimum = max(Wartość, na.rm = TRUE),
    Liczba_obserwacji = sum(!is.na(Wartość))
  )

# Wyświetlenie wyników
kable(statystyki_opisowe, caption = "Statystyki opisowe dla zmiennej 'Wartość_lokali'")

Statystyki opisowe dla zmiennej ‘Wartość_lokali’
Region	Średnia	Mediana	Odchylenie_standardowe	Minimum	Maksimum	Liczba_obserwacji
DOLNOŚLĄSKIE	6020946469	5273647727	2987862793	3259701514	11791882431	14
KUJAWSKO_POMORSKIE	1635696711	1337207326	807513717	711752507	3157935812	14
LUBELSKIE	1491951029	1204338663	925589178	588908153	3448964854	14
LUBUSKIE	922155514	733030042	458364037	466448828	1752603414	14
MAZOWIECKIE	13432465446	12992505534	6320385582	6535273044	26272463694	14
MAŁOPOLSKIE	5632585816	4212087669	3060333970	2772107808	12626012621	14
OPOLSKIE	631037470	468876013	318340769	339954251	1209117778	14
PODKARPACKIE	1017150434	644442505	739259635	215433360	2191359732	14
PODLASKIE	1145180149	906694241	621361718	512007161	2332078025	14
POMORSKIE	6204225806	5216866424	3188427294	2412289648	11363785145	14
WARMIŃSKO_MAZURSKIE	1520638543	1177654737	722964258	871294170	2790628305	14
WIELKOPOLSKIE	4031173771	3206609593	2095198087	2170694590	8671257857	14
ZACHODNIOPOMORSKIE	2030576673	1747991805	710232327	1216154271	3224861980	14
ŁÓDZKIE	1990607572	1460361281	1183334671	722081592	4284439004	14
ŚWIĘTOKRZYSKIE	513067674	363057929	311656923	153899232	1103778845	14

12. Średnia_cena_lokali

# Tworzenie zbiorczej ramki danych dla zmiennej
combined_data <- do.call(rbind, lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  data.frame(
    Rok = data[['Rok']],
    Wartość = data[["Średnia_cena_lokali"]],
    Region = region_name
  )
}))

# Tworzenie wykresu dla zmiennej
plot <- ggplot(combined_data, aes(x = Rok, y = Wartość, color = Region)) +
  geom_line() +
  theme_minimal() +
  labs(
    title = paste('Wykres dla zmiennej:', 'Średnia_cena_lokali'),
    x = 'Rok',
    y = 'Średnia_cena_lokali'
  )

# Wyświetlenie wykresu
print(plot)

# Obliczanie statystyk opisowych dla zmiennej
statystyki_opisowe <- combined_data %>%
  group_by(Region) %>%
  summarise(
    Średnia = mean(Wartość, na.rm = TRUE),
    Mediana = median(Wartość, na.rm = TRUE),
    Odchylenie_standardowe = sd(Wartość, na.rm = TRUE),
    Minimum = min(Wartość, na.rm = TRUE),
    Maksimum = max(Wartość, na.rm = TRUE),
    Liczba_obserwacji = sum(!is.na(Wartość))
  )

# Wyświetlenie wyników
kable(statystyki_opisowe, caption = "Statystyki opisowe dla zmiennej 'Średnia_cena_lokali'")

Statystyki opisowe dla zmiennej ‘Średnia_cena_lokali’
Region	Średnia	Mediana	Odchylenie_standardowe	Minimum	Maksimum	Liczba_obserwacji
DOLNOŚLĄSKIE	268415.5	236340.5	63888.90	220181	419625	14
KUJAWSKO_POMORSKIE	203696.2	177924.5	49251.38	159801	300555	14
LUBELSKIE	247214.1	221022.0	58703.72	198687	383645	14
LUBUSKIE	171262.9	145210.0	50852.87	129746	290889	14
MAZOWIECKIE	426693.2	384401.5	78661.54	359742	606698	14
MAŁOPOLSKIE	352497.5	311328.5	82011.82	295029	550105	14
OPOLSKIE	182799.1	159181.0	45022.64	145544	277384	14
PODKARPACKIE	212131.1	183262.0	60272.66	145563	335413	14
PODLASKIE	237672.1	209741.5	52387.18	197624	360779	14
POMORSKIE	324946.7	290069.0	74631.56	261035	472625	14
WARMIŃSKO_MAZURSKIE	197152.1	172570.0	48100.34	158507	302934	14
WIELKOPOLSKIE	264346.4	239851.5	51067.35	226358	389772	14
ZACHODNIOPOMORSKIE	238056.6	207231.0	60051.49	186900	361856	14
ŁÓDZKIE	219255.5	188147.0	53247.65	175731	333134	14
ŚWIĘTOKRZYSKIE	210696.4	190841.0	53444.22	152045	321333	14

13. Mediana.cen

# Tworzenie zbiorczej ramki danych dla zmiennej
combined_data <- do.call(rbind, lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  data.frame(
    Rok = data[['Rok']],
    Wartość = data[["Mediana.cen"]],
    Region = region_name
  )
}))

# Tworzenie wykresu dla zmiennej
plot <- ggplot(combined_data, aes(x = Rok, y = Wartość, color = Region)) +
  geom_line() +
  theme_minimal() +
  labs(
    title = paste('Wykres dla zmiennej:', 'Mediana.cen'),
    x = 'Rok',
    y = 'Mediana.cen'
  )

# Wyświetlenie wykresu
print(plot)

# Obliczanie statystyk opisowych dla zmiennej
statystyki_opisowe <- combined_data %>%
  group_by(Region) %>%
  summarise(
    Średnia = mean(Wartość, na.rm = TRUE),
    Mediana = median(Wartość, na.rm = TRUE),
    Odchylenie_standardowe = sd(Wartość, na.rm = TRUE),
    Minimum = min(Wartość, na.rm = TRUE),
    Maksimum = max(Wartość, na.rm = TRUE),
    Liczba_obserwacji = sum(!is.na(Wartość))
  )

# Wyświetlenie wyników
kable(statystyki_opisowe, caption = "Statystyki opisowe dla zmiennej 'Mediana.cen'")

Statystyki opisowe dla zmiennej ‘Mediana.cen’
Region	Średnia	Mediana	Odchylenie_standardowe	Minimum	Maksimum	Liczba_obserwacji
DOLNOŚLĄSKIE	4875.429	4357.5	1162.9032	3952	7666	14
KUJAWSKO_POMORSKIE	3968.429	3435.0	997.9708	3131	5917	14
LUBELSKIE	4822.357	4363.5	1203.3563	3707	7609	14
LUBUSKIE	3346.071	2878.0	988.5170	2504	5619	14
MAZOWIECKIE	7147.429	6784.0	1114.5198	5988	9828	14
MAŁOPOLSKIE	6728.214	6024.0	1507.3748	5658	10457	14
OPOLSKIE	3352.786	2990.0	909.5383	2620	5390	14
PODKARPACKIE	4094.643	3581.0	1113.4404	2808	6234	14
PODLASKIE	4721.000	4187.5	1001.6641	3967	7217	14
POMORSKIE	5552.929	4901.5	1273.7335	4465	8261	14
WARMIŃSKO_MAZURSKIE	3807.357	3269.0	955.9378	3100	5978	14
WIELKOPOLSKIE	4613.357	4199.5	866.0042	4027	6771	14
ZACHODNIOPOMORSKIE	4348.429	3888.0	942.9449	3491	6429	14
ŁÓDZKIE	4236.286	3521.5	1228.3763	3230	6783	14
ŚWIĘTOKRZYSKIE	4066.643	3632.5	1135.8461	2786	6518	14

14. Średnia.cena.za.1m2

# Tworzenie zbiorczej ramki danych dla zmiennej
combined_data <- do.call(rbind, lapply(names(data_list), function(region_name) {
  data <- data_list[[region_name]]
  data.frame(
    Rok = data[['Rok']],
    Wartość = data[["Średnia.cena.za.1m2"]],
    Region = region_name
  )
}))

# Tworzenie wykresu dla zmiennej
plot <- ggplot(combined_data, aes(x = Rok, y = Wartość, color = Region)) +
  geom_line() +
  theme_minimal() +
  labs(
    title = paste('Wykres dla zmiennej:', 'Średnia.cena.za.1m2'),
    x = 'Rok',
    y = 'Średnia.cena.za.1m2'
  )

# Wyświetlenie wykresu
print(plot)

# Obliczanie statystyk opisowych dla zmiennej
statystyki_opisowe <- combined_data %>%
  group_by(Region) %>%
  summarise(
    Średnia = mean(Wartość, na.rm = TRUE),
    Mediana = median(Wartość, na.rm = TRUE),
    Odchylenie_standardowe = sd(Wartość, na.rm = TRUE),
    Minimum = min(Wartość, na.rm = TRUE),
    Maksimum = max(Wartość, na.rm = TRUE),
    Liczba_obserwacji = sum(!is.na(Wartość))
  )

# Wyświetlenie wyników
kable(statystyki_opisowe, caption = "Statystyki opisowe dla zmiennej 'Średnia.cena.za.1m2'")

Statystyki opisowe dla zmiennej ‘Średnia.cena.za.1m2’
Region	Średnia	Mediana	Odchylenie_standardowe	Minimum	Maksimum	Liczba_obserwacji
DOLNOŚLĄSKIE	4870.714	4302.5	1143.7429	3987	7607	14
KUJAWSKO_POMORSKIE	3975.214	3453.0	978.2868	3127	6010	14
LUBELSKIE	4718.500	4210.0	1155.3358	3753	7460	14
LUBUSKIE	3252.286	2766.5	946.7521	2480	5461	14
MAZOWIECKIE	7400.214	6861.0	1229.3471	6227	10317	14
MAŁOPOLSKIE	6717.571	5989.0	1496.1542	5653	10446	14
OPOLSKIE	3363.857	2991.0	826.0300	2698	5217	14
PODKARPACKIE	4066.000	3560.5	1073.9333	2843	6330	14
PODLASKIE	4593.786	4024.5	1025.7120	3851	7101	14
POMORSKIE	5913.357	5288.0	1298.2268	4804	8571	14
WARMIŃSKO_MAZURSKIE	3827.786	3391.0	915.3116	3111	5959	14
WIELKOPOLSKIE	4725.786	4351.5	876.8234	4113	6917	14
ZACHODNIOPOMORSKIE	4482.286	3868.5	1182.8788	3493	6950	14
ŁÓDZKIE	4316.929	3651.0	1135.5692	3422	6797	14
ŚWIĘTOKRZYSKIE	4141.929	3766.0	1035.5856	3094	6513	14

3. Wizualizacja i Analiza zmiennych Polski

3.1 Wyskres Liniowy

3.2 Macierz Korelacji

library(corrplot)

## corrplot 0.92 loaded

library(readxl)

## Warning: pakiet 'readxl' został zbudowany w wersji R 4.3.3

library(dplyr)
library(car)

## Ładowanie wymaganego pakietu: carData

## 
## Dołączanie pakietu: 'car'

## Następujący obiekt został zakryty z 'package:dplyr':
## 
##     recode

polska_data_clean <- polska_data_clean %>%
  mutate(across(everything(), ~ as.numeric(gsub(",", ".", gsub(" ", "", .)))))

cor_matrix <- cor(polska_data_clean, use = "complete.obs")

print(cor_matrix)

##                              Rok Liczba_sprzedanych Powierzchnia_użytkowa
## Rok                    1.0000000          0.9806255             0.9790669
## Liczba_sprzedanych     0.9806255          1.0000000             0.9996717
## Powierzchnia_użytkowa  0.9790669          0.9996717             1.0000000
## Średnia cena za 1m2    0.8506941          0.8168796             0.8161366
## Mediana cen            0.8683000          0.8347299             0.8338932
## Średnia_cena_lokali    0.8506941          0.8168796             0.8161366
## Wartość_lokali         0.9487189          0.9415841             0.9413346
## Wynagrodz_brutto       0.9451184          0.9135824             0.9117784
## Bezrobocie            -0.9285756         -0.9446565            -0.9411559
## Małżeństwa            -0.8661921         -0.7822748            -0.7832763
## Inflacja               0.5839116          0.5347003             0.5353886
## Wydatki_700            0.7290334          0.6956669             0.6984632
## Mieszkania _oddane     0.9600460          0.9564464             0.9596971
## Pozwolenia_budowa      0.8393765          0.8886044             0.8949082
## Miesięczny_dochód      0.9447658          0.9189789             0.9166869
##                       Średnia cena za 1m2 Mediana cen Średnia_cena_lokali
## Rok                             0.8506941   0.8683000           0.8506941
## Liczba_sprzedanych              0.8168796   0.8347299           0.8168796
## Powierzchnia_użytkowa           0.8161366   0.8338932           0.8161366
## Średnia cena za 1m2             1.0000000   0.9989577           1.0000000
## Mediana cen                     0.9989577   1.0000000           0.9989577
## Średnia_cena_lokali             1.0000000   0.9989577           1.0000000
## Wartość_lokali                  0.9619977   0.9702724           0.9619977
## Wynagrodz_brutto                0.9715212   0.9795877           0.9715212
## Bezrobocie                     -0.7025478  -0.7175568          -0.7025478
## Małżeństwa                     -0.7839565  -0.8027598          -0.7839565
## Inflacja                        0.8724113   0.8563026           0.8724113
## Wydatki_700                     0.8534698   0.8552522           0.8534698
## Mieszkania _oddane              0.8004546   0.8146763           0.8004546
## Pozwolenia_budowa               0.6714231   0.6806196           0.6714231
## Miesięczny_dochód               0.9634307   0.9717688           0.9634307
##                       Wartość_lokali Wynagrodz_brutto Bezrobocie Małżeństwa
## Rok                        0.9487189        0.9451184 -0.9285756 -0.8661921
## Liczba_sprzedanych         0.9415841        0.9135824 -0.9446565 -0.7822748
## Powierzchnia_użytkowa      0.9413346        0.9117784 -0.9411559 -0.7832763
## Średnia cena za 1m2        0.9619977        0.9715212 -0.7025478 -0.7839565
## Mediana cen                0.9702724        0.9795877 -0.7175568 -0.8027598
## Średnia_cena_lokali        0.9619977        0.9715212 -0.7025478 -0.7839565
## Wartość_lokali             1.0000000        0.9901501 -0.8388749 -0.8182348
## Wynagrodz_brutto           0.9901501        1.0000000 -0.8162017 -0.8567413
## Bezrobocie                -0.8388749       -0.8162017  1.0000000  0.6590540
## Małżeństwa                -0.8182348       -0.8567413  0.6590540  1.0000000
## Inflacja                   0.7529257        0.7753349 -0.4293408 -0.5567550
## Wydatki_700                0.8249853        0.8500144 -0.5662775 -0.7056464
## Mieszkania _oddane         0.9064554        0.8903629 -0.9244883 -0.8034289
## Pozwolenia_budowa          0.8012729        0.7390910 -0.8896703 -0.5829333
## Miesięczny_dochód          0.9878249        0.9970751 -0.8309424 -0.8411350
##                         Inflacja Wydatki_700 Mieszkania _oddane
## Rok                    0.5839116   0.7290334          0.9600460
## Liczba_sprzedanych     0.5347003   0.6956669          0.9564464
## Powierzchnia_użytkowa  0.5353886   0.6984632          0.9596971
## Średnia cena za 1m2    0.8724113   0.8534698          0.8004546
## Mediana cen            0.8563026   0.8552522          0.8146763
## Średnia_cena_lokali    0.8724113   0.8534698          0.8004546
## Wartość_lokali         0.7529257   0.8249853          0.9064554
## Wynagrodz_brutto       0.7753349   0.8500144          0.8903629
## Bezrobocie            -0.4293408  -0.5662775         -0.9244883
## Małżeństwa            -0.5567550  -0.7056464         -0.8034289
## Inflacja               1.0000000   0.7763986          0.5746064
## Wydatki_700            0.7763986   1.0000000          0.7496763
## Mieszkania _oddane     0.5746064   0.7496763          1.0000000
## Pozwolenia_budowa      0.4810244   0.5572831          0.9123186
## Miesięczny_dochód      0.7560297   0.8595361          0.8962684
##                       Pozwolenia_budowa Miesięczny_dochód
## Rok                           0.8393765         0.9447658
## Liczba_sprzedanych            0.8886044         0.9189789
## Powierzchnia_użytkowa         0.8949082         0.9166869
## Średnia cena za 1m2           0.6714231         0.9634307
## Mediana cen                   0.6806196         0.9717688
## Średnia_cena_lokali           0.6714231         0.9634307
## Wartość_lokali                0.8012729         0.9878249
## Wynagrodz_brutto              0.7390910         0.9970751
## Bezrobocie                   -0.8896703        -0.8309424
## Małżeństwa                   -0.5829333        -0.8411350
## Inflacja                      0.4810244         0.7560297
## Wydatki_700                   0.5572831         0.8595361
## Mieszkania _oddane            0.9123186         0.8962684
## Pozwolenia_budowa             1.0000000         0.7430588
## Miesięczny_dochód             0.7430588         1.0000000

corrplot(cor_matrix, method = "color", type = "full", 
         tl.col = "black", tl.srt = 45, title = "Macierz korelacji", mar = c(0, 0, 1, 0))

Regresja liniowa, choć niekoniecznie musi być idealnym modelem do analizy złożonego rynku nieruchomości, stanowi dobrą bazę wyjściową do wstępnej oceny zależności między zmiennymi. W naszym projekcie stosujemy tę metodę, aby sprawdzić, jak dobrze dopasowuje się do naszych danych z lat 2010–2023 i jakie wyniki generuje w kontekście wpływu zmiennych objaśniających na ceny nieruchomości. Analiza wyników pozwoli nam ocenić, czy regresja liniowa jest odpowiednia dla tego typu problemu, czy też wymaga uzupełnienia lub zastąpienia bardziej zaawansowanymi podejściami.

### model chyba bezużyteczny
library(readxl)
library(dplyr)
library(car)


# Pierwszy model
attach(polska_data_clean)
model1<-lm(`Średnia cena za 1m2`~Bezrobocie+Małżeństwa+Wydatki_700+Pozwolenia_budowa)

summary(model1)

## 
## Call:
## lm(formula = `Średnia cena za 1m2` ~ Bezrobocie + Małżeństwa + 
##     Wydatki_700 + Pozwolenia_budowa)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -744.34 -366.09  -27.35  259.80  768.58 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)  
## (Intercept)        5.719e+03  2.915e+03   1.962   0.0814 .
## Bezrobocie        -5.227e+01  1.127e+02  -0.464   0.6537  
## Małżeństwa        -1.211e-02  1.073e-02  -1.129   0.2883  
## Wydatki_700        1.428e-05  5.375e-06   2.657   0.0262 *
## Pozwolenia_budowa  1.665e-03  5.902e-03   0.282   0.7842  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 573.5 on 9 degrees of freedom
## Multiple R-squared:  0.8245, Adjusted R-squared:  0.7466 
## F-statistic: 10.57 on 4 and 9 DF,  p-value: 0.00187

# Obliczenie VIF dla zmiennych objaśniających w modelu
vif_values <- vif(model1)

# Wyświetlenie wyników
print(vif_values)

##        Bezrobocie        Małżeństwa       Wydatki_700 Pozwolenia_budowa 
##          5.606085          2.508270          2.131365          4.947929

Metoda a posteriori

#Drugi model

polska_data_clean <- polska_data_clean %>%
  mutate(across(everything(), ~ as.numeric(gsub(",", ".", gsub(" ", "", .)))))

model2 <- lm(`Średnia cena za 1m2` ~ 
             Wynagrodz_brutto + Bezrobocie + Małżeństwa, 
             data = polska_data_clean)

summary(model2)

## 
## Call:
## lm(formula = `Średnia cena za 1m2` ~ Wynagrodz_brutto + Bezrobocie + 
##     Małżeństwa, data = polska_data_clean)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -200.38 -132.42  -12.68  151.94  228.50 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)      -3.877e+03  1.241e+03  -3.125  0.01078 *  
## Wynagrodz_brutto  1.290e+00  9.944e-02  12.968  1.4e-07 ***
## Bezrobocie        1.016e+02  2.540e+01   4.001  0.00251 ** 
## Małżeństwa        1.101e-02  4.051e-03   2.719  0.02161 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 175.2 on 10 degrees of freedom
## Multiple R-squared:  0.9818, Adjusted R-squared:  0.9763 
## F-statistic: 179.8 on 3 and 10 DF,  p-value: 5.371e-09

vif(model2)

## Wynagrodz_brutto       Bezrobocie       Małżeństwa 
##         6.488628         3.051261         3.829238

Metodą a posteriori usunęliśmy zmienne: liczba_sprzedanych, powierzchnia_użytkowa, inflacja, wydatki_700, mieszkania_oddane, pozwolenia_budowa, oraz miesięczny_dochód. Dzięki temu model jest bardziej zoptymalizowany pod kątem analizy danych i interpretacji wyników.

Model w 98,18% wyjaśnia naszą zmienną zależną (średnia cena za 1 m^2).

Na podstawie statystyki F stwierdzamy, że model jako całość jest istotny statystycznie, co oznacza, że przynajmniej jedna z wybranych zmiennych objaśniających znacząco wpływa na zmienną zależną.

Wszystkie wartości VIF są poniżej 10 (Wynagrodz_brutto: 6.49, Bezrobocie: 3.05, Małżeństwa: 3.83), co oznacza brak istotnej współliniowości między zmiennymi.

Mimo że model cechuje się bardzo dobrym dopasowaniem do danych, dążymy do poszukiwania jeszcze lepszych rozwiązań, które mogą w jeszcze większym stopniu uwzględniać złożoność analizowanego rynku nieruchomości i dostarczać bardziej precyzyjnych prognoz.

Model Random Forest

Sprawdzamy użyteczność modelu Random Forest do naszej analizy ze względu na jego zdolność do uchwycenia złożonych i nieliniowych zależności między zmiennymi, co jest szczególnie istotne w przypadku zmiennych ekonomicznych, takich jak ceny nieruchomości. Random Forest cechuje się wysoką odpornością na nadmierne dopasowanie dzięki losowej selekcji zmiennych i obserwacji, co zwiększa jego ogólną niezawodność. Dodatkowo, umożliwia on ocenę ważności poszczególnych zmiennych, co pozwala lepiej zrozumieć czynniki wpływające na średnią cenę za 1m², co jest kluczowym celem naszego projektu.

# Lista zmiennych
variables <- c(
  "Miesięczny_dochód", "Inflacja", "Pozwolenia_budowa", "Wydatki_700", 
  "Małżeństwa", "Liczba_sprzedanych", "Mieszkania _oddane", "Powierzchnia_użytkowa", "Bezrobocie"
)


library(randomForest)

## Warning: pakiet 'randomForest' został zbudowany w wersji R 4.3.2

## randomForest 4.7-1.1

## Type rfNews() to see new features/changes/bug fixes.

## 
## Dołączanie pakietu: 'randomForest'

## Następujący obiekt został zakryty z 'package:ggplot2':
## 
##     margin

## Następujący obiekt został zakryty z 'package:gridExtra':
## 
##     combine

## Następujący obiekt został zakryty z 'package:dplyr':
## 
##     combine

model_rf <- randomForest(`Średnia cena za 1m2` ~ ., data = polska_data_clean[, variables])
print(model_rf)

## 
## Call:
##  randomForest(formula = `Średnia cena za 1m2` ~ ., data = polska_data_clean[,      variables]) 
##                Type of random forest: regression
##                      Number of trees: 500
## No. of variables tried at each split: 3
## 
##           Mean of squared residuals: 275918
##                     % Var explained: 77.1

summary(model_rf)

##                 Length Class  Mode     
## call              3    -none- call     
## type              1    -none- character
## predicted        14    -none- numeric  
## mse             500    -none- numeric  
## rsq             500    -none- numeric  
## oob.times        14    -none- numeric  
## importance        9    -none- numeric  
## importanceSD      0    -none- NULL     
## localImportance   0    -none- NULL     
## proximity         0    -none- NULL     
## ntree             1    -none- numeric  
## mtry              1    -none- numeric  
## forest           11    -none- list     
## coefs             0    -none- NULL     
## y                14    -none- numeric  
## test              0    -none- NULL     
## inbag             0    -none- NULL     
## terms             3    terms  call

importance(model_rf)

##                       IncNodePurity
## Miesięczny_dochód         3087572.4
## Inflacja                  1741467.1
## Pozwolenia_budowa          501193.1
## Wydatki_700               1802314.0
## Małżeństwa                1170100.0
## Liczba_sprzedanych        2055386.9
## Mieszkania _oddane        1647580.2
## Powierzchnia_użytkowa     2377779.7
## Bezrobocie                 811311.8

varImpPlot(model_rf)

% Variance explained: 74.37% – model wyjaśnia 74.37% zmienności zmiennej zależnej (Średnia cena za 1m²). Wynik sugeruje, że model jest dobrze dopasowany, ale istnieje przestrzeń na dalszą poprawę, np. poprzez optymalizację parametrów.

Najważniejsze zmienne w modelu:

-Miesięczny_dochód (2,679,809.8): Najważniejsza zmienna w modelu, co jest logiczne, ponieważ dochody gospodarstw domowych mają bezpośredni wpływ na popyt i ceny nieruchomości.

-Powierzchnia_użytkowa (2,094,875.8): Wielkość nieruchomości ma duży wpływ na cenę za metr kwadratowy.

-Liczba_sprzedanych (2,114,817.1): Liczba sprzedanych nieruchomości wpływa na dynamikę rynku i popyt, co przekłada się na ceny nieruchomości.

-Inflacja (1,996,279.6): Wydatki konsumpcyjne mogą wpływać na decyzje zakupowe, co przekłada się na ceny nieruchomości.

3.3. Statystyki opisowe:

library(knitr)

# Funkcja obliczająca statystyki opisowe dla każdej kolumny numerycznej
summary_stats <- function(x) {
  c(
    Średnia = mean(x, na.rm = TRUE),
    Mediana = median(x, na.rm = TRUE),
    Minimum = min(x, na.rm = TRUE),
    Maksimum = max(x, na.rm = TRUE),
    Odchylenie_Standardowe = sd(x, na.rm = TRUE)
  )
}

# Wybranie tylko kolumn numerycznych
numeric_data <- polska_data_clean[sapply(polska_data_clean, is.numeric)]

# Obliczanie statystyk dla każdej kolumny
stats <- t(sapply(numeric_data, summary_stats))

# Przekształcenie wyników w ramkę danych
stats_df <- data.frame(Kolumna = rownames(stats), stats)
rownames(stats_df) <- NULL

# Formatowanie danych liczbowych do bardziej czytelnej formy
stats_df[-1] <- lapply(stats_df[-1], function(x) format(round(x, 2), big.mark = " ", scientific = FALSE))

# Wyświetlenie tabeli
kable(stats_df, caption = "Podstawowe statystyki opisowe dla każdej zmiennej")

Podstawowe statystyki opisowe dla każdej zmiennej
Kolumna	Średnia	Mediana	Minimum	Maksimum	Odchylenie_Standardowe
Rok	2 016.50	2 016.50	2 010.00	2 023.0	4.18
Liczba_sprzedanych	171 689.00	172 192.50	103 459.00	244 672.0	50 093.65
Powierzchnia_użytkowa	9 299 870.37	9 238 132.35	5 554 022.80	13 481 831.1	2 773 896.19
Średnia cena za 1m2	5 242.86	4 674.00	4 358.00	7 906.0	1 139.11
Mediana cen	4 814.43	4 309.50	3 976.00	7 317.0	1 068.83
Średnia_cena_lokali	5 242.86	4 674.00	4 358.00	7 906.0	1 139.11
Wartość_lokali	51 151 739 078.86	43 194 052 491.50	25 303 061 771.00	103 694 809 479.0	25 747 865 079.13
Wynagrodz_brutto	4 821.21	4 409.20	3 435.00	7 595.3	1 244.95
Bezrobocie	8.64	7.40	5.10	13.4	3.34
Małżeństwa	183 807.36	188 660.00	145 045.00	228 337.0	23 476.00
Inflacja	103.59	102.45	99.10	114.4	4.36
Wydatki_700	127 855 615.60	119 432 523.40	71 831 683.14	228 551 677.8	43 201 780.75
Mieszkania _oddane	100 440.93	98 271.50	56 925.00	143 971.0	34 107.75
Pozwolenia_budowa	225 364.07	226 587.50	138 837.00	341 203.0	59 948.67
Miesięczny_dochód	1 658.46	1 536.35	1 192.82	2 678.3	441.75

3.4. Trend i stacjonarność

if (!require(Kendall)) install.packages("Kendall", dependencies = TRUE)

## Ładowanie wymaganego pakietu: Kendall

## Warning: pakiet 'Kendall' został zbudowany w wersji R 4.3.3

if (!require(tseries)) install.packages("tseries", dependencies = TRUE)

## Ładowanie wymaganego pakietu: tseries

## Warning: pakiet 'tseries' został zbudowany w wersji R 4.3.3

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

if (!require(knitr)) install.packages("knitr", dependencies = TRUE)
if (!require(kableExtra)) install.packages("kableExtra", dependencies = TRUE)

## Ładowanie wymaganego pakietu: kableExtra

## Warning: pakiet 'kableExtra' został zbudowany w wersji R 4.3.3

## 
## Dołączanie pakietu: 'kableExtra'

## Następujący obiekt został zakryty z 'package:dplyr':
## 
##     group_rows

library(Kendall)
library(tseries)
library(knitr)
library(kableExtra)

# Funkcja do sprawdzenia trendu i stacjonarności
check_trend_and_stationarity <- function(data) {
  results <- data.frame(
    Zmienna = character(),
    Trend = character(),
    MannKendall_p_value = numeric(),
    Stacjonarnosc = character(),
    ADF_p_value = numeric(),
    stringsAsFactors = FALSE
  )
  
  for (column_name in names(data)[-1]) {  # Pomijamy 'Rok'
    variable <- data[[column_name]]
    
    # Test Mann-Kendalla na obecność trendu
    mk_result <- MannKendall(variable)
    trend <- ifelse(mk_result$sl < 0.05, "Trend obecny", "Trend nieobecny")
    
    # Test Dickeya-Fullera na stacjonarność
    adf_result <- adf.test(variable, alternative = "stationary")
    stationarity <- ifelse(adf_result$p.value < 0.05, "Stacjonarna", "Niestacjonarna")
    
    # Dodawanie wyników do tabeli
    results <- rbind(results, data.frame(
      Zmienna = column_name,
      Trend = trend,
      MannKendall_p_value = mk_result$sl,
      Stacjonarnosc = stationarity,
      ADF_p_value = adf_result$p.value
    ))
  }
  
  return(results)
}

# Wywołanie funkcji dla polska_data_clean
trend_stationarity_results <- check_trend_and_stationarity(polska_data_clean)

## Warning in adf.test(variable, alternative = "stationary"): p-value greater than
## printed p-value

## Warning in adf.test(variable, alternative = "stationary"): p-value greater than
## printed p-value
## Warning in adf.test(variable, alternative = "stationary"): p-value greater than
## printed p-value
## Warning in adf.test(variable, alternative = "stationary"): p-value greater than
## printed p-value
## Warning in adf.test(variable, alternative = "stationary"): p-value greater than
## printed p-value
## Warning in adf.test(variable, alternative = "stationary"): p-value greater than
## printed p-value
## Warning in adf.test(variable, alternative = "stationary"): p-value greater than
## printed p-value

# Prezentacja wyników w tabeli
kable(trend_stationarity_results, format = "html", align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
                full_width = FALSE, position = "center") %>%
  column_spec(1, bold = TRUE, color = "white", background = "blue") %>%
  column_spec(2:5, width = "20em")

Zmienna	Trend	MannKendall_p_value	Stacjonarnosc	ADF_p_value
Liczba_sprzedanych	Trend obecny	0.0000072	Niestacjonarna	0.8142143
Powierzchnia_użytkowa	Trend obecny	0.0000072	Niestacjonarna	0.7759617
Średnia cena za 1m2	Trend obecny	0.0000317	Niestacjonarna	0.9900000
Mediana cen	Trend obecny	0.0000196	Niestacjonarna	0.9900000
Średnia_cena_lokali	Trend obecny	0.0000317	Niestacjonarna	0.9900000
Wartość_lokali	Trend obecny	0.0000008	Niestacjonarna	0.9900000
Wynagrodz_brutto	Trend obecny	0.0000008	Niestacjonarna	0.9900000
Bezrobocie	Trend obecny	0.0000944	Niestacjonarna	0.7456752
Małżeństwa	Trend obecny	0.0014973	Niestacjonarna	0.6513507
Inflacja	Trend nieobecny	0.1253111	Niestacjonarna	0.9900000
Wydatki_700	Trend obecny	0.0021715	Niestacjonarna	0.5175454
Mieszkania _oddane	Trend obecny	0.0000317	Niestacjonarna	0.1554069
Pozwolenia_budowa	Trend obecny	0.0010209	Niestacjonarna	0.6364664
Miesięczny_dochód	Trend obecny	0.0000008	Niestacjonarna	0.9900000

Na podstawie uzyskanych wyników, stwierdzamy, że zmienne są niestacjonarne i wykazują trend

3.5. Autokorelacja

# Instalacja wymaganych pakietów
if (!require(lmtest)) install.packages("lmtest", dependencies = TRUE)

## Ładowanie wymaganego pakietu: lmtest

## Warning: pakiet 'lmtest' został zbudowany w wersji R 4.3.3

## Ładowanie wymaganego pakietu: zoo

## Warning: pakiet 'zoo' został zbudowany w wersji R 4.3.2

## 
## Dołączanie pakietu: 'zoo'

## Następujące obiekty zostały zakryte z 'package:base':
## 
##     as.Date, as.Date.numeric

if (!require(tseries)) install.packages("tseries", dependencies = TRUE)
if (!require(knitr)) install.packages("knitr", dependencies = TRUE)
if (!require(kableExtra)) install.packages("kableExtra", dependencies = TRUE)

library(lmtest)
library(tseries)
library(knitr)
library(kableExtra)

# Funkcja do sprawdzania autokorelacji
check_autocorrelation <- function(data, max_lag = 10, alpha = 0.05) {
  results <- data.frame(
    Zmienna = character(),
    Autokorelacja = character(),
    Istotne_rzędy = character(),
    stringsAsFactors = FALSE
  )
  
  for (column_name in names(data)[-1]) {  # Pomijamy 'Rok'
    variable <- data[[column_name]]
    
    significant_lags <- c()
    
    # Sprawdzanie autokorelacji dla różnych lagów
    for (lag in 1:max_lag) {
      lb_test <- Box.test(variable, lag = lag, type = "Ljung-Box")
      if (lb_test$p.value < alpha) {
        significant_lags <- c(significant_lags, lag)
      }
    }
    
    # Interpretacja wyników
    autocorrelation <- ifelse(length(significant_lags) > 0, "Wykazuje autokorelację", "Brak autokorelacji")
    significant_lags_text <- ifelse(length(significant_lags) > 0, paste(significant_lags, collapse = ", "), "Brak")
    
    # Dodanie wyników do tabeli
    results <- rbind(results, data.frame(
      Zmienna = column_name,
      Autokorelacja = autocorrelation,
      Istotne_rzędy = significant_lags_text
    ))
  }
  
  return(results)
}

# Wywołanie funkcji dla polska_data_clean
autocorrelation_results <- check_autocorrelation(polska_data_clean)

# Prezentacja wyników w tabeli
kable(autocorrelation_results, format = "html", align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
                full_width = FALSE, position = "center") %>%
  column_spec(1, bold = TRUE, color = "white", background = "blue")

Zmienna	Autokorelacja	Istotne_rzędy
Liczba_sprzedanych	Wykazuje autokorelację	1, 2, 3, 4, 5, 6, 7, 8, 9, 10
Powierzchnia_użytkowa	Wykazuje autokorelację	1, 2, 3, 4, 5, 6, 7, 8, 9, 10
Średnia cena za 1m2	Wykazuje autokorelację	1, 2, 3, 4, 5, 6, 7, 8, 9, 10
Mediana cen	Wykazuje autokorelację	1, 2, 3, 4, 5, 6, 7, 8, 9, 10
Średnia_cena_lokali	Wykazuje autokorelację	1, 2, 3, 4, 5, 6, 7, 8, 9, 10
Wartość_lokali	Wykazuje autokorelację	1, 2, 3, 4, 5, 6, 7, 8, 9, 10
Wynagrodz_brutto	Wykazuje autokorelację	1, 2, 3, 4, 5, 6, 7, 8, 9, 10
Bezrobocie	Wykazuje autokorelację	1, 2, 3, 4, 5, 6, 7, 8, 9, 10
Małżeństwa	Wykazuje autokorelację	1, 2
Inflacja	Wykazuje autokorelację	1, 2, 8, 9, 10
Wydatki_700	Wykazuje autokorelację	1, 2, 10
Mieszkania _oddane	Wykazuje autokorelację	1, 2, 3, 4, 5, 6, 7, 8, 9, 10
Pozwolenia_budowa	Wykazuje autokorelację	1, 2, 3, 4, 5, 6, 7, 8, 9, 10
Miesięczny_dochód	Wykazuje autokorelację	1, 2, 3, 4, 5, 6, 7, 8, 9, 10

# Iteracja przez wszystkie kolumny (poza 'Rok')
for (column_name in names(polska_data_clean)[-1]) {  # Pomijamy 'Rok'
  # Pobieranie danych dla danej zmiennej
  acf_data <- polska_data_clean[[column_name]]
  
  # Wyświetlenie komunikatu o aktualnej zmiennej
  print(paste("Autokorelacja dla zmiennej:", column_name))
  
  # Tworzenie wykresu autokorelacji
  acf(acf_data, main = paste("Autokorelacja -", column_name))
}

## [1] "Autokorelacja dla zmiennej: Liczba_sprzedanych"

## [1] "Autokorelacja dla zmiennej: Powierzchnia_użytkowa"

## [1] "Autokorelacja dla zmiennej: Średnia cena za 1m2"

## [1] "Autokorelacja dla zmiennej: Mediana cen"

## [1] "Autokorelacja dla zmiennej: Średnia_cena_lokali"

## [1] "Autokorelacja dla zmiennej: Wartość_lokali"

## [1] "Autokorelacja dla zmiennej: Wynagrodz_brutto"

## [1] "Autokorelacja dla zmiennej: Bezrobocie"

## [1] "Autokorelacja dla zmiennej: Małżeństwa"

## [1] "Autokorelacja dla zmiennej: Inflacja"

## [1] "Autokorelacja dla zmiennej: Wydatki_700"

## [1] "Autokorelacja dla zmiennej: Mieszkania _oddane"

## [1] "Autokorelacja dla zmiennej: Pozwolenia_budowa"

## [1] "Autokorelacja dla zmiennej: Miesięczny_dochód"

Oblicz funkcję autokorelacji (ACF) i częściowej autokorelacji (PACF),

3.6. Rozkład danych

# Instalacja wymaganych pakietów
if (!require(knitr)) install.packages("knitr", dependencies = TRUE)
if (!require(kableExtra)) install.packages("kableExtra", dependencies = TRUE)

library(knitr)
library(kableExtra)

# Funkcja do sprawdzania normalności
check_normality <- function(data, alpha = 0.05) {
  results <- data.frame(
    Zmienna = character(),
    P_value = numeric(),
    Normalnosc = character(),
    stringsAsFactors = FALSE
  )
  
  for (column_name in names(data)[-1]) {  # Pomijamy 'Rok'
    variable <- data[[column_name]]
    
    # Test Shapiro-Wilka (zalecany dla mniejszych próbek)
    sw_test <- shapiro.test(variable)
    
    # Interpretacja wyniku
    normality <- ifelse(sw_test$p.value > alpha, "Rozkład normalny", "Brak normalności")
    
    # Dodanie wyników do tabeli
    results <- rbind(results, data.frame(
      Zmienna = column_name,
      P_value = sw_test$p.value,
      Normalnosc = normality
    ))
  }
  
  return(results)
}

# Wywołanie funkcji dla polska_data_clean
normality_results <- check_normality(polska_data_clean)

# Prezentacja wyników w tabeli
kable(normality_results, format = "html", align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
                full_width = FALSE, position = "center") %>%
  column_spec(1, bold = TRUE, color = "white", background = "blue")

Zmienna	P_value	Normalnosc
Liczba_sprzedanych	0.2706247	Rozkład normalny
Powierzchnia_użytkowa	0.2926034	Rozkład normalny
Średnia cena za 1m2	0.0022093	Brak normalności
Mediana cen	0.0027645	Brak normalności
Średnia_cena_lokali	0.0022093	Brak normalności
Wartość_lokali	0.0543314	Rozkład normalny
Wynagrodz_brutto	0.1148649	Rozkład normalny
Bezrobocie	0.0161841	Brak normalności
Małżeństwa	0.5078690	Rozkład normalny
Inflacja	0.0089752	Brak normalności
Wydatki_700	0.1517724	Rozkład normalny
Mieszkania _oddane	0.0408115	Brak normalności
Pozwolenia_budowa	0.7149388	Rozkład normalny
Miesięczny_dochód	0.1021046	Rozkład normalny

test normalności Shapiro-Wilka

III. Prognozy

library(scales)

## Warning: pakiet 'scales' został zbudowany w wersji R 4.3.2

library(forecast)

## Warning: pakiet 'forecast' został zbudowany w wersji R 4.3.3

# Funkcja do tworzenia czytelniejszych wykresów
plot_forecast <- function(model, forecast_obj, title, x_label, y_label) {
  plot(
    forecast_obj,
    main = title,
    xlab = x_label,
    ylab = y_label,
    col.main = "darkblue",
    col.lab = "darkred",
    col.axis = "darkgray",
    lwd = 2, # Grubość linii
    fcol = "blue", # Kolor prognozy
    flwd = 2, # Grubość linii prognozy
    shadecols = c("lightblue", "lightgray") # Kolory przedziałów ufności
  )
  grid() # Siatka
}

Miesięczny dochód

# Prognoza dla "Miesięczny_dochód"
arima_model_dochod <- auto.arima(polska_data_clean$Miesięczny_dochód)
forecast_dochod <- forecast(arima_model_dochod, h = 10)
plot_forecast(arima_model_dochod, forecast_dochod,
              title = "Prognoza: Miesięczny dochód",
              x_label = "Czas (lata)", y_label = "Dochód (zł)")

# Wyświetlenie diagnostyki modelu
arima_model <- auto.arima(polska_data_clean$Miesięczny_dochód)
summary(arima_model)  # Zawiera AIC, BIC i inne statystyki

## Series: polska_data_clean$Miesięczny_dochód 
## ARIMA(0,2,0) 
## 
## sigma^2 = 5742:  log likelihood = -68.96
## AIC=139.92   AICc=140.32   BIC=140.41
## 
## Training set error measures:
##                    ME     RMSE      MAE      MPE     MAPE      MASE     ACF1
## Training set 28.09925 70.15567 40.41553 1.256107 2.041851 0.3536917 0.079119

# Analiza reszt
checkresiduals(arima_model)  # Wykres reszt i test normalności

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(0,2,0)
## Q* = 1.0474, df = 3, p-value = 0.7898
## 
## Model df: 0.   Total lags used: 3

Powyższy model ARIMA(0,2,0) dobrze dopasowuje się do danych, co widać po niskich wartościach MAPE (2%) i braku autokorelacji w resztach (p-value > 0.05).

Liczba_sprzedanych

# Prognoza dla "Liczba_sprzedanych"
arima_model_liczba <- auto.arima(polska_data_clean$Liczba_sprzedanych)
forecast_liczba <- forecast(arima_model_liczba, h = 10)
plot_forecast(arima_model_liczba, forecast_liczba,
              title = "Prognoza: Liczba sprzedanych nieruchomości",
              x_label = "Czas (lata)", y_label = "Liczba sprzedanych")

# Wyświetlenie diagnostyki modelu
summary(arima_model_liczba)  # Zawiera AIC, BIC i inne statystyki

## Series: polska_data_clean$Liczba_sprzedanych 
## ARIMA(1,1,0) with drift 
## 
## Coefficients:
##           ar1      drift
##       -0.5993  10730.136
## s.e.   0.2035   2119.709
## 
## sigma^2 = 166384451:  log likelihood = -140.63
## AIC=287.25   AICc=289.92   BIC=288.95
## 
## Training set error measures:
##                     ME     RMSE     MAE        MPE     MAPE     MASE       ACF1
## Training set -201.5495 11433.75 9114.23 -0.4962457 5.017866 0.603896 -0.2535475

# Analiza reszt
checkresiduals(arima_model_liczba)  # Wykres reszt i test normalności

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(1,1,0) with drift
## Q* = 3.8305, df = 3, p-value = 0.2804
## 
## Model df: 1.   Total lags used: 4

Miary błędów sugerują, że model jest dobrze dopasowany, z dokładnością na poziomie około 5% (MAPE). Brak autokorelacji w resztach oraz ich losowy charakter wskazują, że model dobrze oddaje strukturę danych.

Inflacja

# Prognoza dla "Inflacja"
arima_model_inflacja <- auto.arima(polska_data_clean$Inflacja)
forecast_inflacja <- forecast(arima_model_inflacja, h = 10)
plot_forecast(arima_model_inflacja, forecast_inflacja,
              title = "Prognoza: Inflacja",
              x_label = "Czas (lata)", y_label = "Inflacja (%)")

# Wyświetlenie diagnostyki modelu
summary(forecast_inflacja)  # Zawiera AIC, BIC i inne statystyki

## 
## Forecast method: ARIMA(0,1,0)
## 
## Model Information:
## Series: polska_data_clean$Inflacja 
## ARIMA(0,1,0) 
## 
## sigma^2 = 9.216:  log likelihood = -32.88
## AIC=67.76   AICc=68.13   BIC=68.33
## 
## Error measures:
##                  ME     RMSE      MAE       MPE     MAPE      MASE       ACF1
## Training set 0.6359 2.925388 1.864471 0.5590874 1.737443 0.9322357 -0.1226776
## 
## Forecasts:
##    Point Forecast     Lo 80    Hi 80     Lo 95    Hi 95
## 15          111.4 107.50944 115.2906 105.44990 117.3501
## 16          111.4 105.89792 116.9021 102.98529 119.8147
## 17          111.4 104.66136 118.1386 101.09413 121.7059
## 18          111.4 103.61888 119.1811  99.49981 123.3002
## 19          111.4 102.70045 120.0996  98.09518 124.7048
## 20          111.4 101.87012 120.9299  96.82530 125.9747
## 21          111.4 101.10655 121.6934  95.65753 127.1425
## 22          111.4 100.39584 122.4042  94.57059 128.2294
## 23          111.4  99.72833 123.0717  93.54971 129.2503
## 24          111.4  99.09698 123.7030  92.58415 130.2159

# Analiza reszt
checkresiduals(forecast_inflacja)  # Wykres reszt i test normalności

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(0,1,0)
## Q* = 0.2648, df = 3, p-value = 0.9665
## 
## Model df: 0.   Total lags used: 3

Wyniki sugerują, że model ARIMA(0,1,0) jest dobrze dopasowany, na podstawie bardzo niskich wartościach MAPE (1.74%) i braku autokorelacji w resztach. Natomiast wartości prognoz mają jednakowe liczby w okresie prognostycznym, co jest mało realne. Warto poszukać innej, lepszej metody.

Wydatki_700

# Prognoza dla "Wydatki_700"
arima_model_wydatki <- auto.arima(polska_data_clean$Wydatki_700)
forecast_wydatki <- forecast(arima_model_wydatki, h = 10)
plot_forecast(arima_model_wydatki, forecast_wydatki,
              title = "Prognoza: Wydatki na poziomie 700+",
              x_label = "Czas (lata)", y_label = "Wydatki (zł)")

# Wyświetlenie diagnostyki modelu
summary(forecast_wydatki)  # Zawiera AIC, BIC i inne statystyki

## 
## Forecast method: ARIMA(0,1,0)
## 
## Model Information:
## Series: polska_data_clean$Wydatki_700 
## ARIMA(0,1,0) 
## 
## sigma^2 = 1.066e+15:  log likelihood = -243.36
## AIC=488.72   AICc=489.09   BIC=489.29
## 
## Error measures:
##                   ME     RMSE      MAE      MPE     MAPE      MASE       ACF1
## Training set 9935573 31458671 23724912 3.534334 19.15497 0.9288218 -0.2824579
## 
## Forecasts:
##    Point Forecast     Lo 80     Hi 80     Lo 95     Hi 95
## 15      228551678 186713882 270389474 164566290 292537065
## 16      228551678 169384099 287719256 138062675 319040680
## 17      228551678 156086489 301016866 117725736 339377620
## 18      228551678 144876086 312227270 100580903 356522453
## 19      228551678 134999522 322103834  85476002 371627353
## 20      228551678 126070426 331032930  71820128 385283228
## 21      228551678 117859274 339244081  59262255 397841100
## 22      228551678 110216521 346886835  47573673 409529683
## 23      228551678 103038290 354065066  36595516 420507840
## 24      228551678  96248950 360854405  26212117 430891239

# Analiza reszt
checkresiduals(forecast_wydatki)  # Wykres reszt i test normalności

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(0,1,0)
## Q* = 2.6738, df = 3, p-value = 0.4447
## 
## Model df: 0.   Total lags used: 3

Model ARIMA(0,1,0) jest bardzo prosty i zapewnia liniowe prognozy. Duża wariancja reszt oraz wysoka wartość RMSE i MAE wskazują, że model może być zbyt uproszczony. Wyniki sugerują poszukiwanie lepszej metody.

Review_2

Dawid Naus, Weronika Nidzgorska, Veronika Zhdamarova, Amelia Stanisławska, Julianna Waluś

2024-11-26