The American Community Survey distributes downloadable data about United States communities. Download the 2006 microdata survey about housing for the state of Idaho using download.file() from here
The code book, describing the variable names is here
Apply strsplit() to split all the names of the data frame on the characters “wgtp”. What is the value of the 123 element of the resulting list?
url <- "https://d396qusza40orc.cloudfront.net/getdata%2Fdata%2Fss06hid.csv"
GetData <- read.csv(url)
head(GetData)## RT SERIALNO DIVISION PUMA REGION ST ADJUST WGTP NP TYPE ACR AGS BDS BLD BUS
## 1 H 186 8 700 4 16 1015675 89 4 1 1 NA 4 2 2
## 2 H 306 8 700 4 16 1015675 310 1 1 NA NA 1 7 NA
## 3 H 395 8 100 4 16 1015675 106 2 1 1 NA 3 2 2
## 4 H 506 8 700 4 16 1015675 240 4 1 1 NA 4 2 2
## 5 H 835 8 800 4 16 1015675 118 4 1 2 1 5 2 2
## 6 H 989 8 700 4 16 1015675 115 4 1 1 NA 3 2 2
## CONP ELEP FS FULP GASP HFL INSP KIT MHP MRGI MRGP MRGT MRGX PLM RMS RNTM RNTP
## 1 NA 180 0 2 3 3 600 1 NA 1 1300 1 1 1 9 NA NA
## 2 NA 60 0 2 3 3 NA 1 NA NA NA NA NA 1 2 2 600
## 3 NA 70 0 2 30 1 200 1 NA NA NA NA 3 1 7 NA NA
## 4 NA 40 0 2 80 1 200 1 NA 1 860 1 1 1 6 NA NA
## 5 NA 250 0 2 3 3 700 1 NA 1 1900 1 1 1 7 NA NA
## 6 NA 130 0 2 3 3 250 1 NA 1 700 1 1 1 6 NA NA
## SMP TEL TEN VACS VAL VEH WATP YBL FES FINCP FPARC GRNTP GRPIP HHL HHT HINCP
## 1 NA 1 1 NA 17 3 840 5 2 105600 2 NA NA 1 1 105600
## 2 NA 1 3 NA NA 1 1 3 NA NA NA 660 23 1 4 34000
## 3 NA 1 2 NA 18 2 50 5 7 9400 2 NA NA 1 3 9400
## 4 400 1 1 NA 19 3 500 2 1 66000 1 NA NA 1 1 66000
## 5 650 1 1 NA 20 5 2 3 1 93000 2 NA NA 1 1 93000
## 6 400 1 1 NA 15 2 1200 5 2 61000 1 NA NA 1 1 61000
## HUGCL HUPAC HUPAOC HUPARC LNGI MV NOC NPF NPP NR NRC OCPIP PARTNER PSF R18
## 1 0 2 2 2 1 4 2 4 0 0 2 18 0 0 1
## 2 0 4 4 4 1 3 0 NA 0 0 0 NA 0 0 0
## 3 0 2 2 2 1 2 1 2 0 0 1 23 0 0 1
## 4 0 1 1 1 1 3 2 4 0 0 2 26 0 0 1
## 5 0 2 2 2 1 1 1 4 0 0 1 36 0 0 1
## 6 0 1 1 1 1 4 2 4 0 0 2 26 0 0 1
## R60 R65 RESMODE SMOCP SMX SRNT SVAL TAXP WIF WKEXREL WORKSTAT FACRP FAGSP
## 1 0 0 1 1550 3 0 1 24 3 2 3 0 0
## 2 0 0 2 NA NA 1 0 NA NA NA NA 0 0
## 3 0 0 1 179 NA 0 1 16 1 13 13 0 0
## 4 0 0 2 1422 1 0 1 31 2 2 1 0 0
## 5 0 0 1 2800 1 0 1 25 3 1 1 0 0
## 6 0 0 2 1330 2 0 1 7 1 7 3 0 0
## FBDSP FBLDP FBUSP FCONP FELEP FFSP FFULP FGASP FHFLP FINSP FKITP FMHP FMRGIP
## 1 0 0 0 0 0 0 0 0 0 0 0 0 0
## 2 0 0 0 0 0 0 0 0 0 0 0 0 0
## 3 0 0 0 0 0 0 0 0 0 0 0 0 0
## 4 0 0 0 0 0 0 0 0 0 0 0 0 0
## 5 0 0 0 0 0 0 0 0 0 0 0 0 0
## 6 0 0 0 0 0 0 0 0 0 1 0 0 0
## FMRGP FMRGTP FMRGXP FMVYP FPLMP FRMSP FRNTMP FRNTP FSMP FSMXHP FSMXSP FTAXP
## 1 0 0 0 0 0 0 0 0 0 0 0 0
## 2 0 0 0 0 0 0 0 0 0 0 0 0
## 3 0 0 0 0 0 0 0 0 0 0 0 0
## 4 0 0 0 0 0 0 0 0 0 0 0 0
## 5 0 0 0 0 0 0 0 0 0 0 0 0
## 6 0 0 0 0 0 0 0 0 0 0 0 1
## FTELP FTENP FVACSP FVALP FVEHP FWATP FYBLP wgtp1 wgtp2 wgtp3 wgtp4 wgtp5
## 1 0 0 0 0 0 0 0 87 28 156 95 26
## 2 0 0 0 0 0 0 1 539 363 293 422 566
## 3 0 0 0 0 0 0 0 187 35 184 178 83
## 4 0 0 0 0 0 0 0 232 406 234 270 249
## 5 0 0 0 0 0 0 0 107 194 129 41 156
## 6 0 0 0 0 0 1 0 191 197 127 115 115
## wgtp6 wgtp7 wgtp8 wgtp9 wgtp10 wgtp11 wgtp12 wgtp13 wgtp14 wgtp15 wgtp16
## 1 25 95 93 93 91 87 166 90 25 153 89
## 2 289 87 242 453 453 334 358 414 102 281 99
## 3 95 31 32 177 118 110 114 184 107 95 115
## 4 242 406 249 287 67 72 413 399 77 245 424
## 5 174 47 113 101 33 115 52 113 95 135 206
## 6 107 119 34 32 30 123 199 117 33 109 117
## wgtp17 wgtp18 wgtp19 wgtp20 wgtp21 wgtp22 wgtp23 wgtp24 wgtp25 wgtp26 wgtp27
## 1 148 82 25 180 90 24 140 92 25 27 86
## 2 108 278 131 407 447 264 352 238 390 336 122
## 3 33 118 120 37 184 35 176 176 110 103 29
## 4 67 63 226 254 238 69 238 255 239 248 69
## 5 100 185 135 279 116 33 105 244 38 30 230
## 6 31 115 201 190 184 198 113 109 117 111 110
## wgtp28 wgtp29 wgtp30 wgtp31 wgtp32 wgtp33 wgtp34 wgtp35 wgtp36 wgtp37 wgtp38
## 1 84 87 93 90 149 91 28 143 81 144 95
## 2 374 482 468 335 251 613 104 284 116 91 326
## 3 30 197 127 92 118 177 99 99 109 34 100
## 4 234 247 437 423 74 61 401 267 72 388 335
## 5 123 123 243 120 238 98 90 107 44 122 32
## 6 33 37 36 110 183 114 35 134 119 32 121
## wgtp39 wgtp40 wgtp41 wgtp42 wgtp43 wgtp44 wgtp45 wgtp46 wgtp47 wgtp48 wgtp49
## 1 27 22 90 171 27 83 153 148 92 91 91
## 2 102 361 107 253 321 289 96 343 564 274 118
## 3 105 33 173 36 168 175 99 103 30 35 155
## 4 229 236 239 65 259 247 230 225 82 220 233
## 5 127 195 116 36 135 237 33 33 249 102 84
## 6 188 33 34 32 109 115 115 112 119 192 186
## wgtp50 wgtp51 wgtp52 wgtp53 wgtp54 wgtp55 wgtp56 wgtp57 wgtp58 wgtp59 wgtp60
## 1 93 90 26 94 142 24 91 29 84 148 30
## 2 118 321 261 130 463 294 479 391 307 476 283
## 3 102 95 107 185 120 114 113 36 115 103 29
## 4 419 390 69 74 391 276 70 422 409 223 245
## 5 224 119 250 119 125 126 32 112 33 131 45
## 6 213 106 34 124 179 106 107 190 112 34 35
## wgtp61 wgtp62 wgtp63 wgtp64 wgtp65 wgtp66 wgtp67 wgtp68 wgtp69 wgtp70 wgtp71
## 1 93 143 24 88 147 145 91 83 83 86 81
## 2 116 353 323 374 106 236 380 313 90 94 292
## 3 183 35 179 169 95 110 28 34 233 97 123
## 4 269 488 221 250 247 240 415 234 219 66 68
## 5 101 165 125 41 191 195 49 119 92 44 127
## 6 32 34 119 123 122 121 123 196 196 207 120
## wgtp72 wgtp73 wgtp74 wgtp75 wgtp76 wgtp77 wgtp78 wgtp79 wgtp80
## 1 27 93 151 28 79 25 101 157 129
## 2 401 81 494 346 496 615 286 454 260
## 3 119 168 107 95 101 30 124 106 31
## 4 359 385 71 234 421 76 77 242 231
## 5 36 119 121 116 209 97 176 144 38
## 6 34 109 199 116 110 211 120 31 189str(GetData)## 'data.frame': 6496 obs. of 188 variables:
## $ RT : chr "H" "H" "H" "H" ...
## $ SERIALNO: int 186 306 395 506 835 989 1861 2120 2278 2428 ...
## $ DIVISION: int 8 8 8 8 8 8 8 8 8 8 ...
## $ PUMA : int 700 700 100 700 800 700 700 200 400 500 ...
## $ REGION : int 4 4 4 4 4 4 4 4 4 4 ...
## $ ST : int 16 16 16 16 16 16 16 16 16 16 ...
## $ ADJUST : int 1015675 1015675 1015675 1015675 1015675 1015675 1015675 1015675 1015675 1015675 ...
## $ WGTP : int 89 310 106 240 118 115 0 35 47 51 ...
## $ NP : int 4 1 2 4 4 4 1 1 2 2 ...
## $ TYPE : int 1 1 1 1 1 1 2 1 1 1 ...
## $ ACR : int 1 NA 1 1 2 1 NA 1 1 1 ...
## $ AGS : int NA NA NA NA 1 NA NA NA NA NA ...
## $ BDS : int 4 1 3 4 5 3 NA 2 3 2 ...
## $ BLD : int 2 7 2 2 2 2 NA 1 2 1 ...
## $ BUS : int 2 NA 2 2 2 2 NA 2 2 2 ...
## $ CONP : int NA NA NA NA NA NA NA NA NA NA ...
## $ ELEP : int 180 60 70 40 250 130 NA 40 2 20 ...
## $ FS : int 0 0 0 0 0 0 0 0 0 0 ...
## $ FULP : int 2 2 2 2 2 2 NA 480 2 2 ...
## $ GASP : int 3 3 30 80 3 3 NA 3 3 140 ...
## $ HFL : int 3 3 1 1 3 3 NA 4 3 1 ...
## $ INSP : int 600 NA 200 200 700 250 NA NA 770 120 ...
## $ KIT : int 1 1 1 1 1 1 NA 1 1 1 ...
## $ MHP : int NA NA NA NA NA NA NA NA NA 220 ...
## $ MRGI : int 1 NA NA 1 1 1 NA NA 1 NA ...
## $ MRGP : int 1300 NA NA 860 1900 700 NA NA 750 NA ...
## $ MRGT : int 1 NA NA 1 1 1 NA NA 1 NA ...
## $ MRGX : int 1 NA 3 1 1 1 NA NA 1 3 ...
## $ PLM : int 1 1 1 1 1 1 NA 1 1 1 ...
## $ RMS : int 9 2 7 6 7 6 NA 4 6 5 ...
## $ RNTM : int NA 2 NA NA NA NA NA NA NA NA ...
## $ RNTP : int NA 600 NA NA NA NA NA NA NA NA ...
## $ SMP : int NA NA NA 400 650 400 NA NA NA NA ...
## $ TEL : int 1 1 1 1 1 1 NA 1 1 1 ...
## $ TEN : int 1 3 2 1 1 1 NA 4 1 2 ...
## $ VACS : int NA NA NA NA NA NA NA NA NA NA ...
## $ VAL : int 17 NA 18 19 20 15 NA NA 13 1 ...
## $ VEH : int 3 1 2 3 5 2 NA 1 2 2 ...
## $ WATP : int 840 1 50 500 2 1200 NA 650 660 2 ...
## $ YBL : int 5 3 5 2 3 5 NA 5 3 5 ...
## $ FES : int 2 NA 7 1 1 2 NA NA 2 NA ...
## $ FINCP : int 105600 NA 9400 66000 93000 61000 NA NA 209000 NA ...
## $ FPARC : int 2 NA 2 1 2 1 NA NA 4 NA ...
## $ GRNTP : int NA 660 NA NA NA NA NA NA NA NA ...
## $ GRPIP : int NA 23 NA NA NA NA NA NA NA NA ...
## $ HHL : int 1 1 1 1 1 1 NA 1 1 2 ...
## $ HHT : int 1 4 3 1 1 1 NA 6 1 5 ...
## $ HINCP : int 105600 34000 9400 66000 93000 61000 NA 10400 209000 35400 ...
## $ HUGCL : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ HUPAC : int 2 4 2 1 2 1 NA 4 4 4 ...
## $ HUPAOC : int 2 4 2 1 2 1 NA 4 4 4 ...
## $ HUPARC : int 2 4 2 1 2 1 NA 4 4 4 ...
## $ LNGI : int 1 1 1 1 1 1 NA 1 1 2 ...
## $ MV : int 4 3 2 3 1 4 5 5 1 1 ...
## $ NOC : int 2 0 1 2 1 2 NA 0 0 0 ...
## $ NPF : int 4 NA 2 4 4 4 NA NA 2 NA ...
## $ NPP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ NR : int 0 0 0 0 0 0 NA 0 0 1 ...
## $ NRC : int 2 0 1 2 1 2 NA 0 0 0 ...
## $ OCPIP : int 18 NA 23 26 36 26 NA NA 5 7 ...
## $ PARTNER : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ PSF : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ R18 : int 1 0 1 1 1 1 NA 0 0 0 ...
## $ R60 : int 0 0 0 0 0 0 NA 1 1 0 ...
## $ R65 : int 0 0 0 0 0 0 NA 1 1 0 ...
## $ RESMODE : int 1 2 1 2 1 2 NA 2 1 1 ...
## $ SMOCP : int 1550 NA 179 1422 2800 1330 NA NA 805 196 ...
## $ SMX : int 3 NA NA 1 1 2 NA NA 3 NA ...
## $ SRNT : int 0 1 0 0 0 0 NA 1 0 0 ...
## $ SVAL : int 1 0 1 1 1 1 NA 0 1 0 ...
## $ TAXP : int 24 NA 16 31 25 7 NA NA 22 4 ...
## $ WIF : int 3 NA 1 2 3 1 NA NA 1 NA ...
## $ WKEXREL : int 2 NA 13 2 1 7 NA NA 6 NA ...
## $ WORKSTAT: int 3 NA 13 1 1 3 NA NA 3 NA ...
## $ FACRP : int 0 0 0 0 0 0 NA 0 0 1 ...
## $ FAGSP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FBDSP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FBLDP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FBUSP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FCONP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FELEP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FFSP : int 0 0 0 0 0 0 0 0 0 0 ...
## $ FFULP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FGASP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FHFLP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FINSP : int 0 0 0 0 0 1 NA 0 0 0 ...
## $ FKITP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FMHP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FMRGIP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FMRGP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FMRGTP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FMRGXP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FMVYP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FPLMP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FRMSP : int 0 0 0 0 0 0 NA 0 0 1 ...
## $ FRNTMP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FRNTP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FSMP : int 0 0 0 0 0 0 NA 0 0 0 ...
## $ FSMXHP : int 0 0 0 0 0 0 NA 0 0 0 ...
## [list output truncated]ColNames <- names(GetData)
ColNames## [1] "RT" "SERIALNO" "DIVISION" "PUMA" "REGION" "ST"
## [7] "ADJUST" "WGTP" "NP" "TYPE" "ACR" "AGS"
## [13] "BDS" "BLD" "BUS" "CONP" "ELEP" "FS"
## [19] "FULP" "GASP" "HFL" "INSP" "KIT" "MHP"
## [25] "MRGI" "MRGP" "MRGT" "MRGX" "PLM" "RMS"
## [31] "RNTM" "RNTP" "SMP" "TEL" "TEN" "VACS"
## [37] "VAL" "VEH" "WATP" "YBL" "FES" "FINCP"
## [43] "FPARC" "GRNTP" "GRPIP" "HHL" "HHT" "HINCP"
## [49] "HUGCL" "HUPAC" "HUPAOC" "HUPARC" "LNGI" "MV"
## [55] "NOC" "NPF" "NPP" "NR" "NRC" "OCPIP"
## [61] "PARTNER" "PSF" "R18" "R60" "R65" "RESMODE"
## [67] "SMOCP" "SMX" "SRNT" "SVAL" "TAXP" "WIF"
## [73] "WKEXREL" "WORKSTAT" "FACRP" "FAGSP" "FBDSP" "FBLDP"
## [79] "FBUSP" "FCONP" "FELEP" "FFSP" "FFULP" "FGASP"
## [85] "FHFLP" "FINSP" "FKITP" "FMHP" "FMRGIP" "FMRGP"
## [91] "FMRGTP" "FMRGXP" "FMVYP" "FPLMP" "FRMSP" "FRNTMP"
## [97] "FRNTP" "FSMP" "FSMXHP" "FSMXSP" "FTAXP" "FTELP"
## [103] "FTENP" "FVACSP" "FVALP" "FVEHP" "FWATP" "FYBLP"
## [109] "wgtp1" "wgtp2" "wgtp3" "wgtp4" "wgtp5" "wgtp6"
## [115] "wgtp7" "wgtp8" "wgtp9" "wgtp10" "wgtp11" "wgtp12"
## [121] "wgtp13" "wgtp14" "wgtp15" "wgtp16" "wgtp17" "wgtp18"
## [127] "wgtp19" "wgtp20" "wgtp21" "wgtp22" "wgtp23" "wgtp24"
## [133] "wgtp25" "wgtp26" "wgtp27" "wgtp28" "wgtp29" "wgtp30"
## [139] "wgtp31" "wgtp32" "wgtp33" "wgtp34" "wgtp35" "wgtp36"
## [145] "wgtp37" "wgtp38" "wgtp39" "wgtp40" "wgtp41" "wgtp42"
## [151] "wgtp43" "wgtp44" "wgtp45" "wgtp46" "wgtp47" "wgtp48"
## [157] "wgtp49" "wgtp50" "wgtp51" "wgtp52" "wgtp53" "wgtp54"
## [163] "wgtp55" "wgtp56" "wgtp57" "wgtp58" "wgtp59" "wgtp60"
## [169] "wgtp61" "wgtp62" "wgtp63" "wgtp64" "wgtp65" "wgtp66"
## [175] "wgtp67" "wgtp68" "wgtp69" "wgtp70" "wgtp71" "wgtp72"
## [181] "wgtp73" "wgtp74" "wgtp75" "wgtp76" "wgtp77" "wgtp78"
## [187] "wgtp79" "wgtp80"strsplit(ColNames, "^wgtp")[[123]]## [1] "" "15"Load the Gross Domestic Product data for the 190 ranked countries in this data set. What is the average? Remove the commas from the GDP numbers in millions of dollars and average them.
#Download & write the csv File:
url <- "https://d396qusza40orc.cloudfront.net/getdata%2Fdata%2FGDP.csv"
destfile <- "GDP.csv"
download.file(url, destfile, mode="wb")
path <- "GDP.csv"
SubSetGDP <- read.csv(path, nrow = 190, skip = 4)
colnames(SubSetGDP) <- c("CountryCode", "Rank", "Country", "Total")
SubSetGDP## CountryCode Rank Country Total NA NA NA
## 1 USA 1 NA United States 16,244,600 NA
## 2 CHN 2 NA China 8,227,103 NA
## 3 JPN 3 NA Japan 5,959,718 NA
## 4 DEU 4 NA Germany 3,428,131 NA
## 5 FRA 5 NA France 2,612,878 NA
## 6 GBR 6 NA United Kingdom 2,471,784 NA
## 7 BRA 7 NA Brazil 2,252,664 NA
## 8 RUS 8 NA Russian Federation 2,014,775 NA
## 9 ITA 9 NA Italy 2,014,670 NA
## 10 IND 10 NA India 1,841,710 NA
## 11 CAN 11 NA Canada 1,821,424 NA
## 12 AUS 12 NA Australia 1,532,408 NA
## 13 ESP 13 NA Spain 1,322,965 NA
## 14 MEX 14 NA Mexico 1,178,126 NA
## 15 KOR 15 NA Korea, Rep. 1,129,598 NA
## 16 IDN 16 NA Indonesia 878,043 NA
## 17 TUR 17 NA Turkey 789,257 NA
## 18 NLD 18 NA Netherlands 770,555 NA
## 19 SAU 19 NA Saudi Arabia 711,050 NA
## 20 CHE 20 NA Switzerland 631,173 NA
## 21 SWE 21 NA Sweden 523,806 NA
## 22 IRN 22 NA Iran, Islamic Rep. 514,060 NA
## 23 NOR 23 NA Norway 499,667 NA
## 24 POL 24 NA Poland 489,795 NA
## 25 BEL 25 NA Belgium 483,262 NA
## 26 ARG 26 NA Argentina 475,502 NA
## 27 AUT 27 NA Austria 394,708 NA
## 28 ZAF 28 NA South Africa 384,313 NA
## 29 VEN 29 NA Venezuela, RB 381,286 NA
## 30 COL 30 NA Colombia 369,606 NA
## 31 THA 31 NA Thailand 365,966 NA
## 32 ARE 32 NA United Arab Emirates 348,595 NA
## 33 DNK 33 NA Denmark 314,887 NA
## 34 MYS 34 NA Malaysia 305,033 NA
## 35 SGP 35 NA Singapore 274,701 NA
## 36 CHL 36 NA Chile 269,869 NA
## 37 HKG 37 NA Hong Kong SAR, China 263,259 NA
## 38 EGY 38 NA Egypt, Arab Rep. 262,832 NA
## 39 NGA 39 NA Nigeria 262,597 NA
## 40 ISR 40 NA Israel 258,217 NA
## 41 PHL 41 NA Philippines 250,182 NA
## 42 GRC 42 NA Greece 249,099 NA
## 43 FIN 43 NA Finland 247,546 NA
## 44 PAK 44 NA Pakistan 225,143 NA
## 45 PRT 45 NA Portugal 212,274 NA
## 46 IRL 46 NA Ireland 210,771 NA
## 47 IRQ 47 NA Iraq 210,280 NA
## 48 DZA 48 NA Algeria 205,789 NA
## 49 PER 49 NA Peru 203,790 NA
## 50 KAZ 50 NA Kazakhstan 203,521 NA
## 51 CZE 51 NA Czech Republic 196,446 NA
## 52 ROM 52 NA Romania 192,711 NA
## 53 UKR 53 NA Ukraine 176,309 NA
## 54 QAT 54 NA Qatar 171,476 NA
## 55 NZL 55 NA New Zealand 167,347 NA
## 56 KWT 56 NA Kuwait 160,913 NA
## 57 VNM 57 NA Vietnam 155,820 NA
## 58 HUN 58 NA Hungary 124,600 NA
## 59 BGD 59 NA Bangladesh 116,355 NA
## 60 AGO 60 NA Angola 114,147 NA
## 61 PRI 61 NA Puerto Rico 101,496 NA
## 62 MAR 62 NA Morocco 95,982 a NA
## 63 SVK 63 NA Slovak Republic 91,149 NA
## 64 ECU 64 NA Ecuador 84,040 NA
## 65 SYR 65 NA Syrian Arab Republic 73,672 NA
## 66 OMN 66 NA Oman 69,972 NA
## 67 CUB 67 NA Cuba 68,234 NA
## 68 AZE 68 NA Azerbaijan 66,605 NA
## 69 BLR 69 NA Belarus 63,267 NA
## 70 LKA 70 NA Sri Lanka 59,423 NA
## 71 HRV 71 NA Croatia 59,228 NA
## 72 DOM 72 NA Dominican Republic 59,047 NA
## 73 SDN 73 NA Sudan 58,769 b NA
## 74 LUX 74 NA Luxembourg 55,178 NA
## 75 UZB 75 NA Uzbekistan 51,113 NA
## 76 BGR 76 NA Bulgaria 50,972 NA
## 77 GTM 77 NA Guatemala 50,234 NA
## 78 URY 78 NA Uruguay 49,920 NA
## 79 TUN 79 NA Tunisia 45,662 NA
## 80 SVN 80 NA Slovenia 45,279 NA
## 81 CRI 81 NA Costa Rica 45,104 NA
## 82 MAC 82 NA Macao SAR, China 43,582 NA
## 83 LBN 83 NA Lebanon 42,945 NA
## 84 LTU 84 NA Lithuania 42,344 NA
## 85 ETH 85 NA Ethiopia 41,605 NA
## 86 GHA 86 NA Ghana 40,711 NA
## 87 KEN 87 NA Kenya 40,697 NA
## 88 SRB 88 NA Serbia 37,489 NA
## 89 PAN 89 NA Panama 36,253 NA
## 90 YEM 90 NA Yemen, Rep. 35,646 NA
## 91 TKM 91 NA Turkmenistan 35,164 NA
## 92 JOR 92 NA Jordan 31,015 NA
## 93 BHR 93 NA Bahrain 29,044 NA
## 94 LVA 94 NA Latvia 28,373 NA
## 95 TZA 95 NA Tanzania 28,242 c NA
## 96 BOL 96 NA Bolivia 27,035 NA
## 97 PRY 97 NA Paraguay 25,502 NA
## 98 CMR 98 NA Cameroon 25,322 NA
## 99 CIV 99 NA Côte d'Ivoire 24,680 NA
## 100 SLV 100 NA El Salvador 23,864 NA
## 101 TTO 101 NA Trinidad and Tobago 23,320 NA
## 102 CYP 102 NA Cyprus 22,767 d NA
## 103 EST 103 NA Estonia 22,390 NA
## 104 ZMB 104 NA Zambia 20,678 NA
## 105 AFG 105 NA Afghanistan 20,497 NA
## 106 UGA 106 NA Uganda 19,881 NA
## 107 NPL 107 NA Nepal 18,963 NA
## 108 HND 108 NA Honduras 18,434 NA
## 109 GAB 109 NA Gabon 18,377 NA
## 110 GNQ 110 NA Equatorial Guinea 17,697 NA
## 111 BIH 111 NA Bosnia and Herzegovina 17,466 NA
## 112 ZAR 112 NA Congo, Dem. Rep. 17,204 NA
## 113 BRN 113 NA Brunei Darussalam 16,954 NA
## 114 GEO 114 NA Georgia 15,747 e NA
## 115 PNG 115 NA Papua New Guinea 15,654 NA
## 116 JAM 116 NA Jamaica 14,755 NA
## 117 BWA 117 NA Botswana 14,504 NA
## 118 MOZ 118 NA Mozambique 14,244 NA
## 119 SEN 119 NA Senegal 14,046 NA
## 120 KHM 120 NA Cambodia 14,038 NA
## 121 COG 121 NA Congo, Rep. 13,678 NA
## 122 ISL 122 NA Iceland 13,579 NA
## 123 NAM 123 NA Namibia 13,072 NA
## 124 TCD 124 NA Chad 12,887 NA
## 125 ALB 125 NA Albania 12,648 NA
## 126 NIC 126 NA Nicaragua 10,507 NA
## 127 MUS 127 NA Mauritius 10,486 NA
## 128 BFA 128 NA Burkina Faso 10,441 NA
## 129 MLI 129 NA Mali 10,308 NA
## 130 MNG 130 NA Mongolia 10,271 NA
## 131 SSD 131 NA South Sudan 10,220 NA
## 132 MDG 132 NA Madagascar 9,975 NA
## 133 ARM 133 NA Armenia 9,951 NA
## 134 ZWE 134 NA Zimbabwe 9,802 NA
## 135 MKD 135 NA Macedonia, FYR 9,613 NA
## 136 LAO 136 NA Lao PDR 9,418 NA
## 137 MLT 137 NA Malta 8,722 NA
## 138 BHS 138 NA Bahamas, The 8,149 NA
## 139 HTI 139 NA Haiti 7,843 NA
## 140 BEN 140 NA Benin 7,557 NA
## 141 MDA 141 NA Moldova 7,253 f NA
## 142 RWA 142 NA Rwanda 7,103 NA
## 143 TJK 143 NA Tajikistan 6,972 NA
## 144 NER 144 NA Niger 6,773 NA
## 145 KGZ 145 NA Kyrgyz Republic 6,475 NA
## 146 KSV 146 NA Kosovo 6,445 NA
## 147 MCO 147 NA Monaco 6,075 NA
## 148 GIN 148 NA Guinea 5,632 NA
## 149 BMU 149 NA Bermuda 5,474 NA
## 150 SUR 150 NA Suriname 5,012 NA
## 151 MNE 151 NA Montenegro 4,373 NA
## 152 MWI 152 NA Malawi 4,264 NA
## 153 BRB 153 NA Barbados 4,225 NA
## 154 MRT 154 NA Mauritania 4,199 NA
## 155 FJI 155 NA Fiji 3,908 NA
## 156 TGO 156 NA Togo 3,814 NA
## 157 SLE 157 NA Sierra Leone 3,796 NA
## 158 SWZ 158 NA Swaziland 3,744 NA
## 159 ERI 159 NA Eritrea 3,092 NA
## 160 GUY 160 NA Guyana 2,851 NA
## 161 ABW 161 NA Aruba 2,584 NA
## 162 BDI 162 NA Burundi 2,472 NA
## 163 LSO 163 NA Lesotho 2,448 NA
## 164 MDV 164 NA Maldives 2,222 NA
## 165 CAF 165 NA Central African Republic 2,184 NA
## 166 CPV 166 NA Cape Verde 1,827 NA
## 167 BTN 167 NA Bhutan 1,780 NA
## 168 LBR 168 NA Liberia 1,734 NA
## 169 BLZ 169 NA Belize 1,493 NA
## 170 TMP 170 NA Timor-Leste 1,293 NA
## 171 LCA 171 NA St. Lucia 1,239 NA
## 172 ATG 172 NA Antigua and Barbuda 1,134 NA
## 173 SYC 173 NA Seychelles 1,129 NA
## 174 SLB 174 NA Solomon Islands 1,008 NA
## 175 GMB 175 NA Gambia, The 917 NA
## 176 GNB 176 NA Guinea-Bissau 822 NA
## 177 VUT 177 NA Vanuatu 787 NA
## 178 GRD 178 NA Grenada 767 NA
## 179 KNA 178 NA St. Kitts and Nevis 767 NA
## 180 VCT 180 NA St. Vincent and the Grenadines 713 NA
## 181 WSM 181 NA Samoa 684 NA
## 182 COM 182 NA Comoros 596 NA
## 183 DMA 183 NA Dominica 480 NA
## 184 TON 184 NA Tonga 472 NA
## 185 FSM 185 NA Micronesia, Fed. Sts. 326 NA
## 186 STP 186 NA São Tomé and Principe 263 NA
## 187 PLW 187 NA Palau 228 NA
## 188 MHL 188 NA Marshall Islands 182 NA
## 189 KIR 189 NA Kiribati 175 NA
## 190 TUV 190 NA Tuvalu 40 NA
## NA NA NA
## 1 NA NA NA
## 2 NA NA NA
## 3 NA NA NA
## 4 NA NA NA
## 5 NA NA NA
## 6 NA NA NA
## 7 NA NA NA
## 8 NA NA NA
## 9 NA NA NA
## 10 NA NA NA
## 11 NA NA NA
## 12 NA NA NA
## 13 NA NA NA
## 14 NA NA NA
## 15 NA NA NA
## 16 NA NA NA
## 17 NA NA NA
## 18 NA NA NA
## 19 NA NA NA
## 20 NA NA NA
## 21 NA NA NA
## 22 NA NA NA
## 23 NA NA NA
## 24 NA NA NA
## 25 NA NA NA
## 26 NA NA NA
## 27 NA NA NA
## 28 NA NA NA
## 29 NA NA NA
## 30 NA NA NA
## 31 NA NA NA
## 32 NA NA NA
## 33 NA NA NA
## 34 NA NA NA
## 35 NA NA NA
## 36 NA NA NA
## 37 NA NA NA
## 38 NA NA NA
## 39 NA NA NA
## 40 NA NA NA
## 41 NA NA NA
## 42 NA NA NA
## 43 NA NA NA
## 44 NA NA NA
## 45 NA NA NA
## 46 NA NA NA
## 47 NA NA NA
## 48 NA NA NA
## 49 NA NA NA
## 50 NA NA NA
## 51 NA NA NA
## 52 NA NA NA
## 53 NA NA NA
## 54 NA NA NA
## 55 NA NA NA
## 56 NA NA NA
## 57 NA NA NA
## 58 NA NA NA
## 59 NA NA NA
## 60 NA NA NA
## 61 NA NA NA
## 62 NA NA NA
## 63 NA NA NA
## 64 NA NA NA
## 65 NA NA NA
## 66 NA NA NA
## 67 NA NA NA
## 68 NA NA NA
## 69 NA NA NA
## 70 NA NA NA
## 71 NA NA NA
## 72 NA NA NA
## 73 NA NA NA
## 74 NA NA NA
## 75 NA NA NA
## 76 NA NA NA
## 77 NA NA NA
## 78 NA NA NA
## 79 NA NA NA
## 80 NA NA NA
## 81 NA NA NA
## 82 NA NA NA
## 83 NA NA NA
## 84 NA NA NA
## 85 NA NA NA
## 86 NA NA NA
## 87 NA NA NA
## 88 NA NA NA
## 89 NA NA NA
## 90 NA NA NA
## 91 NA NA NA
## 92 NA NA NA
## 93 NA NA NA
## 94 NA NA NA
## 95 NA NA NA
## 96 NA NA NA
## 97 NA NA NA
## 98 NA NA NA
## 99 NA NA NA
## 100 NA NA NA
## 101 NA NA NA
## 102 NA NA NA
## 103 NA NA NA
## 104 NA NA NA
## 105 NA NA NA
## 106 NA NA NA
## 107 NA NA NA
## 108 NA NA NA
## 109 NA NA NA
## 110 NA NA NA
## 111 NA NA NA
## 112 NA NA NA
## 113 NA NA NA
## 114 NA NA NA
## 115 NA NA NA
## 116 NA NA NA
## 117 NA NA NA
## 118 NA NA NA
## 119 NA NA NA
## 120 NA NA NA
## 121 NA NA NA
## 122 NA NA NA
## 123 NA NA NA
## 124 NA NA NA
## 125 NA NA NA
## 126 NA NA NA
## 127 NA NA NA
## 128 NA NA NA
## 129 NA NA NA
## 130 NA NA NA
## 131 NA NA NA
## 132 NA NA NA
## 133 NA NA NA
## 134 NA NA NA
## 135 NA NA NA
## 136 NA NA NA
## 137 NA NA NA
## 138 NA NA NA
## 139 NA NA NA
## 140 NA NA NA
## 141 NA NA NA
## 142 NA NA NA
## 143 NA NA NA
## 144 NA NA NA
## 145 NA NA NA
## 146 NA NA NA
## 147 NA NA NA
## 148 NA NA NA
## 149 NA NA NA
## 150 NA NA NA
## 151 NA NA NA
## 152 NA NA NA
## 153 NA NA NA
## 154 NA NA NA
## 155 NA NA NA
## 156 NA NA NA
## 157 NA NA NA
## 158 NA NA NA
## 159 NA NA NA
## 160 NA NA NA
## 161 NA NA NA
## 162 NA NA NA
## 163 NA NA NA
## 164 NA NA NA
## 165 NA NA NA
## 166 NA NA NA
## 167 NA NA NA
## 168 NA NA NA
## 169 NA NA NA
## 170 NA NA NA
## 171 NA NA NA
## 172 NA NA NA
## 173 NA NA NA
## 174 NA NA NA
## 175 NA NA NA
## 176 NA NA NA
## 177 NA NA NA
## 178 NA NA NA
## 179 NA NA NA
## 180 NA NA NA
## 181 NA NA NA
## 182 NA NA NA
## 183 NA NA NA
## 184 NA NA NA
## 185 NA NA NA
## 186 NA NA NA
## 187 NA NA NA
## 188 NA NA NA
## 189 NA NA NA
## 190 NA NA NAsummary(SubSetGDP)## CountryCode Rank Country Total
## Length:190 Min. : 1.00 Mode:logical Length:190
## Class :character 1st Qu.: 48.25 NA's:190 Class :character
## Mode :character Median : 95.50 Mode :character
## Mean : 95.49
## 3rd Qu.:142.75
## Max. :190.00
## NA NA NA NA
## Length:190 Length:190 Mode:logical Mode:logical
## Class :character Class :character NA's:190 NA's:190
## Mode :character Mode :character
##
##
##
## NA NA
## Mode:logical Mode:logical
## NA's:190 NA's:190
##
##
##
## CleanSubSetGDP <- gsub(",","",SubSetGDP[,5])
mean(as.numeric(CleanSubSetGDP[1:190]),na.rm = TRUE)## [1] 377652.4#Count country Names that being with "United"
#grep("^United,countryNames",3)Load the Gross Domestic Product data for the 190 ranked countries in this data set. Load the educational data from this data set. Of the countries for which the end of the fiscal year is available, how many end in June? Match the data based on the country shortcode.
download.file("https://d396qusza40orc.cloudfront.net/getdata%2Fdata%2FGDP.csv", destfile = "GDP190.csv")
GDP190data <- read.csv("GDP190.csv")
download.file("https://d396qusza40orc.cloudfront.net/getdata%2Fdata%2FEDSTATS_Country.csv", destfile = "Education.csv")
Educationdata <- read.csv("Education.csv")
#Reminder:
#DT <- data.table(x=c('a', 'b', 'c', 'dt1'), y=1:4)
#DT2 <- data.table(x=c('a', 'b', 'dt2'), z=5:7)
#setkey(DT, x); setkey(DT2, x)
#merge(DT, DT2)
#x y z
#1: a 1 5
#2: b 2 6
#setnames(GDP190data, c("X", "X.1", "X.3", "X.4"), c("CountryCode", "rankingGDP", "Long.Name", "gdp"))
#all <- merge(GDP190data, Educationdata, by = "CountryCode")
#table(grepl("june", tolower(all$Special.Notes)), grepl("fiscal year end", tolower(all$Special.Notes)))[4]Install quantmod (http://www.quantmod.com/) package to get historical stock prices for publicly traded companies on the NASDAQ and NYSE. Use the following code to download data on Amazon’s stock price and get the times the data was sampled.
library(quantmod)## Loading required package: xts## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric## Loading required package: TTR## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo## Version 0.4-0 included new data defaults. See ?getSymbols.amzn = getSymbols("AMZN",auto.assign=FALSE)## 'getSymbols' currently uses auto.assign=TRUE by default, but will
## use auto.assign=FALSE in 0.5-0. You will still be able to use
## 'loadSymbols' to automatically load data. getOption("getSymbols.env")
## and getOption("getSymbols.auto.assign") will still be checked for
## alternate defaults.
##
## This message is shown once per session and may be disabled by setting
## options("getSymbols.warning4.0"=FALSE). See ?getSymbols for details.sampleTimes = index(amzn)
length(grep("^2012",sampleTimes))## [1] 250library(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionsum(weekdays(as.Date(sampleTimes[grep("^2012",sampleTimes)]))=="Monday")## [1] 47