---
title: "Salaries Dashboard"
author: "Zehra Ubay 220507040"
date: "`r Sys.Date()`"
output: 
  flexdashboard::flex_dashboard:
    source: embed
    theme: cerulean
    social: menu
---

```{css, echo=FALSE}
body {
  background-color: #CCE8FF;
}
```

```{r setup, include=FALSE}
library(flexdashboard)
library(rio)
library(tidyverse)
library(janitor)
library(ggplot2)
library(plotly)
library(gridExtra)
library(kableExtra)

#Veri setini yükleme
data(Salaries, package="carData")
```

Özet
=========================================

Column
-----------------------------------------

**Veri Setinden Değişken İsimlerinin Listesi**

```{r}
colnames(Salaries)
```

**Veri Setinin Ana Özeti**

```{r}
summary(Salaries)

glimpse(Salaries)

head(Salaries)

tail(Salaries)
```


Grafikler {.storyboard}
=========================================

### Sayısal Bir Değişken İçin  Histogram

```{r}

ggplot(Salaries, aes(x = salary)) +
  geom_histogram(
    bins = 30,                    
    aes(fill = ..count..),        
    color = "white",               
    alpha = 0.8                    
  ) +
  scale_fill_gradient(
    low = "#00AFBB",             
    high = "#FC4E07"               
  ) +
  labs(
    title = "Maaş Dağılımı Histogramı",  
    x = "Maaş",                        
    y = "Frekans",                      
    fill = "Frekans"                    
  ) +
  theme_minimal(base_size = 14) +     
  theme(
    plot.title = element_text(hjust = 0.5, face = "bold")
  )

```

***
Bu grafikte maaşların dağılımını detaylı bir şekilde görebiliyoruz. Maaşların büyük bir çoğunluğu 80,000 ile 120,000 arasında yoğunlaşmış durumda, bu da çalışanların büyük kısmının bu maaş aralığında yer aldığını gösteriyor. Özellikle 100,000 civarında bir tepe noktası mevcut, bu da maaşların mod değerini işaret ediyor. Histogramın sağ tarafında, 150,000 maaş seviyesinden sonra frekansın oldukça düştüğü görülüyor. Bu durum, daha yüksek maaş alan çalışanların sayıca az olduğunu ifade ediyor. Genel olarak dağılımın sağ kuyruklu bir yapıya sahip olduğu dikkat çekiyor, bu da az sayıda çalışanın oldukça yüksek maaş aldığını gösteriyor. Bu tür bir dağılım, maaşların şirket içindeki eşitsiz dağılımını veya bazı kıdemli pozisyonların yüksek maaşlarla ödüllendirilmesini temsil ediyor olabilir.

### 1. Kutu Grafiği: Maaş (salary) - Rütbe (rank)

```{r}

ggplot(Salaries, aes(x = rank, y = salary, fill = rank)) +
  geom_boxplot(color = "black") +
  geom_jitter(aes(color = rank), alpha = 0.3, width = 0.2) +
  scale_fill_manual(values = c("Prof" = "#FFA07A", "AssocProf" = "#20B2AA", "AsstProf" = "#9370DB")) + 
  scale_color_manual(values = c("Prof" = "#FFA07A", "AssocProf" = "#20B2AA", "AsstProf" = "#9370DB")) + 
  labs(
    x = "Rütbe (Rank)",
    y = "Maaş (Salary)",
    title = "Rütbeye Göre Maaş Dağılımı"
  ) +
  theme_bw() +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

```

***

Rütbelere göre maaşların dağılımını karşılaştıran bu grafik, rütbe arttıkça maaşların da arttığını net bir şekilde ortaya koyuyor. Assistant Professor (AsstProf) düzeyinde medyan maaş yaklaşık 80,000 civarında olup, bu gruptaki maaşların büyük kısmı 75,000 ile 90,000 arasında sıkışmıştır. Associate Professor (AssocProf) seviyesine geçildiğinde medyan maaşın yaklaşık 100,000 civarında olduğu görülüyor ve maaş dağılımının genişlediği dikkat çekiyor. Professor (Prof) düzeyinde ise medyan maaş 130,000’e çıkmakla birlikte, bu gruptaki maaşlar çok daha geniş bir aralıkta dağılmış durumda. Özellikle Prof grubunda birkaç uç değer bulunuyor, bu da bazı profesörlerin çok yüksek maaşlar aldığını gösteriyor. Bu durum, rütbe ile birlikte artan maaş farklılıklarını ve üst seviyelerdeki çalışanların daha geniş bir maaş aralığına sahip olduğunu vurguluyor.

### 2. Kutu Grafiği: Hizmet Yılı (yrs.service) - Çalışma Alanı (discipline)

```{r}

ggplot(Salaries, aes(x = discipline, y = yrs.service, fill = discipline)) +
  geom_boxplot(color = "black") +
  geom_jitter(aes(color = discipline), alpha = 0.3, width = 0.2) + 
  scale_fill_manual(values = c("A" = "#FF69B4", "B" = "#87CEEB")) + 
  scale_color_manual(values = c("A" = "#FF69B4", "B" = "#87CEEB")) + 
  labs(
    x = "Çalışma Alanı (Discipline)",
    y = "Hizmet Yılı (Years of Service)",
    title = "Çalışma Alanına Göre Hizmet Süresi"
  ) +
  theme_bw() +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

```

***

Hizmet süresinin, çalışılan disiplinlere göre farklılık gösterdiği bu grafik oldukça dikkat çekici. Discipline A çalışanlarının hizmet süreleri, geniş bir dağılıma sahip olup medyan yaklaşık 20 yıl olarak görülmektedir. Bu alanda, hizmet süresi 40 yıl ve üzeri olan çalışanlar bulunmakta ve bu durum, deneyimli çalışanların Discipline A’da daha sık yer aldığını düşündürüyor. Öte yandan, Discipline B çalışanlarının hizmet süreleri daha dar bir aralıkta toplanmış ve medyan hizmet süresi yaklaşık 15 yıl olarak hesaplanmıştır. Discipline B’de uç değerlerin oldukça az olduğu, bu nedenle çalışanların hizmet sürelerinin daha standart bir yapıya sahip olduğu görülmektedir. Discipline A ve B arasındaki bu fark, her iki alanın farklı kariyer dinamiklerine sahip olduğunu gösterebilir. Örneğin, Discipline A’da çalışanların daha uzun süre görev almayı tercih etmesi, bu alanın daha fazla deneyim gerektiren veya daha istikrarlı bir yapı sunduğu anlamına gelebilir.

### 3. Kutu Grafiği: Doktora Sonrası Geçen Yıl (yrs.since.phd) - Cinsiyet (sex)

```{r}

ggplot(Salaries, aes(x = sex, y = yrs.since.phd, fill = sex)) +
  geom_boxplot(color = "black") +
  geom_jitter(aes(color = sex), alpha = 0.3, width = 0.2) + 
  scale_fill_manual(values = c("Male" = "#4682B4", "Female" = "#FFB6C1")) + 
  scale_color_manual(values = c("Male" = "#4682B4", "Female" = "#FFB6C1")) + 
  labs(
    x = "Cinsiyet (Sex)",
    y = "Doktora Sonrası Yıl (Years Since PhD)",
    title = "Cinsiyete Göre Doktora Sonrası Yıl"
  ) +
  theme_bw() +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

```

***

Bu grafik, cinsiyet ile doktora sonrası geçen yıl arasındaki ilişkiyi inceler. Kadınlar ve erkekler için ayrı ayrı oluşturulan box plot, kadınların doktora sonrası kariyerlerine daha kısa bir süre önce başlamış olabileceğini göstermektedir; çünkü kadınların medyan değeri erkeklere göre daha düşüktür. Ancak erkeklerin doktora sonrası geçen yıl değişkenliğinde daha geniş bir dağılım görülmektedir; bu durum, erkek katılımcıların veri setinde daha fazla temsil edilmesi ya da erkeklerin kariyer sürelerinin daha geniş bir aralıkta yer almasıyla açıklanabilir. Her iki grupta da birkaç sıra dışı değer (outlier) dikkat çekmektedir ve bu durum, bazı bireylerin veriden ayrışan daha ekstrem bir kariyer süresine sahip olduğunu düşündürmektedir.

### İki Sayısal Değişken Arasındaki İlişki İçin Dağılım Grafiği

```{r}

ggplot(Salaries, aes(x = yrs.since.phd, y = salary)) +
  geom_point(size = 3, color = "blue", alpha = 0.7) + 
  geom_smooth(method = "lm", se = TRUE, color = "red", linetype = "dashed") +
  labs(
    title = "Maaş ve Doktora Sonrası Geçen Yıl İlişkisi",
    x = "Doktora Sonrası Geçen Yıl (Yrs. Since PhD)",
    y = "Maaş (Salary)"
  ) +
  theme_minimal(base_size = 14) +
  theme(
    plot.title = element_text(hjust = 0.5, face = "bold", size = 16) 
  )

    
```

***

Dağılım grafiği, maaş (Salary) ile doktora sonrası geçen yıl (Years Since PhD) arasındaki ilişkiyi incelemektedir. Grafikde görülen mavi noktalar, bireysel gözlemleri temsil eder ve bu noktaların dağılımı maaş üzerindeki yüksek varyasyonu göstermektedir. Özellikle doktora sonrası 0-10 yıl arasında maaşlar arasında ciddi farklılıklar olduğu dikkat çekmektedir; bu durum, bireylerin farklı sektörlerde çalışmasından veya farklı deneyim seviyelerine sahip olmasından kaynaklanabilir. Çizilen kırmızı regresyon çizgisi, maaş ile doktora sonrası geçen yıl arasında pozitif bir korelasyon olduğunu gösterirken, gölgeli alan bu ilişkinin standart hata bandını ifade eder. Yani, maaşın doktora sonrası geçen yıl ile genel bir artış eğiliminde olduğu ancak bu ilişkinin bazı bireysel farklılıklar nedeniyle tamamen kesin olmadığı görülmektedir. Ayrıca, deneyim arttıkça (örneğin, 30 yıl ve üzeri), maaş artışının daha istikrarlı hale geldiği ve varyasyonun azaldığı gözlemlenmiştir.

### Etkileşimli ggplotly Dağılım Grafiği

```{r}

p <- ggplot(Salaries, aes(x = yrs.since.phd, y = salary)) +
  geom_point(size = 3, color = "blue", alpha = 0.7) + 
  geom_smooth(method = "lm", se = TRUE, color = "red", linetype = "dashed") + 
  labs(
    title = "Maaş ve Doktora Sonrası Geçen Yıl Arasındaki İlişki",
    x = "Doktora Sonrası Geçen Yıl (Yrs. Since PhD)",
    y = "Maaş (Salary)"
  ) +
  theme_minimal(base_size = 14) +
  theme(
    plot.title = element_text(hjust = 0.5, face = "bold", size = 16) 
  )

ggplotly(p)

```

***

Dağılım grafiğinin artıları olarak bireysel veri noktalarını incelemek için, fare ile her bir noktanın detaylarına ulaşmak ve iki sayısal değişken arasındaki ilişkiyi net bir şekilde göstermek için çok uygundur. Ancak eksisi olarak sadece iki değişkeni görselleştirir diyebiliriz. Bir etkileşimli grafik yaparken veri setindeki bireysel noktalar hakkında bilgi vermesi ve genel eğilimler sunması çok önemlidir. Bu yüzden etkileşimli nesne için diğer grafiklere kıyasla seçmiş olduğum grafik türü **dağılım grafiği** olmuştur. Grafiği etkileşimli hale getirmek, kullanıcıların veriyi daha derinlemesine inceleyebilmesi için önemli bir avantaj sağlar. İlk olarak, geom_point() fonksiyonu ile veri noktalarının görselleştirilmesi, yıllar ile maaş arasındaki ilişkiyi açık bir şekilde ortaya koyar. Bu sayede, kullanıcılar veri setindeki genel dağılımı ve yoğunlaşan noktaları rahatlıkla gözlemleyebilir. Ancak, bu tür bir görselleştirmenin statik hali, bazı önemli detayların gözden kaçmasına neden olabilir. İşte burada etkileşimli özelliklerin devreye girmesi önemli bir rol oynar. geom_smooth() fonksiyonu ile eklenen doğrusal regresyon çizgisi, yıllar arttıkça maaşın nasıl değiştiğine dair genel eğilimi gösterirken, hata çubukları ile modelin güven aralığı hakkında da bilgi verir. Bu tür belirsizliklerin görselleştirilmesi, kullanıcının modelin doğruluğunu daha iyi değerlendirmesini sağlar. Ancak, etkileşimli hale getirilmiş grafik sayesinde kullanıcılar, belirli bir veri noktasına tıklayarak daha ayrıntılı bilgilere ulaşabilir. Ayrıca, grafik üzerinde yakınlaştırma yaparak ya da belirli bir bölgeyi seçerek daha fazla detay keşfedilebilir. Bu özellikler, kullanıcıların yalnızca genel eğilimleri görmekle kalmayıp, aynı zamanda veri setindeki belirli noktaları ve uç değerleri de analiz etmelerine olanak tanır.

Referans
=========================================

**Salaries Dashboard**

Bu dashboard, akademik maaşlar veri setini analiz etmek için tasarlanmıştır. Salaries veri seti, 2008-2009 akademik yıllarında tek bir üniversitedeki 397 profesörün 9 aylık maaş verilerini içermektedir. Bu veri seti, üniversite idaresinin maaştaki cinsiyet farklılıklarını izlemek amacıyla toplanmıştır. Dashboard, R dilinde ve flexdashboard framework’ü kullanılarak geliştirilmiştir. Dashboard’un kaynak kodu sağ üstte bulunan "Source Code" panelinden erişilebilir.

**Veri**

Bu dashboard’un girdi verisi, Salaries veri setidir ve bu veri seti carData R paketinin bir parçasıdır. Veri seti, üniversite profesörlerinin maaşları, doktora sonrası yıllar, akademik unvanlar gibi çeşitli bilgileri içermektedir. Bu veriler, akademik alandaki maaş düzeylerini etkileyebilecek faktörleri, örneğin deneyim yılı ve cinsiyet gibi değişkenleri incelemek için kullanılmaktadır.

**Kütüphaneler**

Dashboard Arayüzü: flexdashboard paketi.

Veri Görselleştirme: plotly paketi.

Veri setimin kaynağı: https://rkabacoff.github.io/datavis/Datasets.html#Salaries

Dashboard şablonu kaynaklarım: 
https://epirhandbook.com/tr/new_pages/flexdashboard.tr.html

https://pkgs.rstudio.com/flexdashboard/articles/using.html

https://testing-apps.shinyapps.io/flexdashboard-storyboard/

Grafiklerin kaynağı: https://www.data-to-viz.com


```{r}
```