Skip to content
Snippets Groups Projects
Commit 7a415240 authored by Kevin Kirsten's avatar Kevin Kirsten
Browse files

Calculation working now, added Mittelwert

parent 3cb1cddc
No related branches found
No related tags found
No related merge requests found
Show whitespace changes
Inline Side-by-side
DCProject.Rmd
+ 29
− 14
View file @ 7a415240
...@@ -117,18 +117,18 @@ Größe des Datensatzes: 24 Zeilen und 10 Spalten ...@@ -117,18 +117,18 @@ Größe des Datensatzes: 24 Zeilen und 10 Spalten
## Datenaufbereitung ## Datenaufbereitung
### Wie können Daten eingelesen werden ### Wie können Daten eingelesen werden
Es können verschieden Datenvormate eingelesen werden z.B CSV, XLSX Es können verschiedene Datenvormate eingelesen werden, z.B CSV, XLSX
1. Daten aus einer CSV-Datei einlesen 1. Daten aus einer CSV-Datei einlesen
[Video Tutorial für CSV-Dateien](https://www.youtube.com/watch?v=Ia5Q1LlCCFc) [Video Tutorial für CSV-Dateien](https://www.youtube.com/watch?v=Ia5Q1LlCCFc)
es gibt zwei Funktionen zum einelesen einer CSV-Datei es gibt zwei Funktionen zum einlesen einer CSV-Datei
- read.csv wird verwendet wenn Dezimalzahlen mit eine Punkt "." getrennt werden und Splaten durch ein Komma ",". - read.csv wird verwendet wenn Dezimalzahlen mit einem Punkt "." getrennt werden und Spalten durch ein Komma ",".
- read.csv2 wird verwendet wenn Dezimalzahlen durch eine Komma "," getrennt werden und Spalten durch ein Semikolon ";". - read.csv2 wird verwendet wenn Dezimalzahlen durch eine Komma "," getrennt werden und Spalten durch ein Semikolon ";".
In diesem Beispiel wird der dataframe daten_csv erstelt durch die datei mit dem Namen daten.csv zusätzlich werden dan Fehlende Werte na mit na="NA" In diesem Beispiel wird der dataframe daten_csv erstellt durch die Datei mit dem Namen daten.csv zusätzlich werden dann Fehlende Werte durch na="NA" aufgefüllt.
Wenn die Datei im Arbeitsverzeichnis ist Wenn die Datei im Arbeitsverzeichnis ist
...@@ -144,13 +144,13 @@ Es können verschieden Datenvormate eingelesen werden z.B CSV, XLSX ...@@ -144,13 +144,13 @@ Es können verschieden Datenvormate eingelesen werden z.B CSV, XLSX
``` ```
Wenn man den Pfand erst nach dem ausführen angeben will kann man auch Wenn man den Pfad erst nach dem ausführen angeben will kann man auch
``` ```
daten_csv <- read.csv2(file.choose(), na="NA") daten_csv <- read.csv2(file.choose(), na="NA")
``` ```
nuzen dort wird nach dem ausführen ein Fenster geöfnet bei dem man die Datei dann im Explorer auswählen kann. nuzen dort wird nach dem ausführen ein Fenster geöffnet bei dem man die Datei dann im Explorer auswählen kann.
An die read.csv bzw read.csv2 können noch weitere Parameter Hinzugefügt werden z.B. An die read.csv bzw read.csv2 können noch weitere Parameter Hinzugefügt werden z.B.
...@@ -174,7 +174,7 @@ Es können verschieden Datenvormate eingelesen werden z.B CSV, XLSX ...@@ -174,7 +174,7 @@ Es können verschieden Datenvormate eingelesen werden z.B CSV, XLSX
install.packages("readxl") install.packages("readxl")
``` ```
Das benötigte Packert instalirt werden und mit Das benötigte Packert installiert werden und mit
``` ```
libary (readxl) libary (readxl)
...@@ -193,13 +193,13 @@ Es können verschieden Datenvormate eingelesen werden z.B CSV, XLSX ...@@ -193,13 +193,13 @@ Es können verschieden Datenvormate eingelesen werden z.B CSV, XLSX
Durch die Funktion na.omit() können Zeilen entfernt werden in denen Fehlerhafte Werte stehen. Durch die Funktion na.omit() können Zeilen entfernt werden in denen Fehlerhafte Werte stehen.
Im Beisplie hier werden alle Zeilen mit na werten vom dataframe daten entfernt im dataframe gesaueberte_daten abgelegt Im Beispiel hier werden alle Zeilen mit na werten vom dataframe daten entfernt und im dataframe gesaueberte_daten abgelegt
``` ```
gesaueberte_daten <- na.omit(daten) gesaueberte_daten <- na.omit(daten)
``` ```
Um fehlende Werte direkt bei der Berechnung zu behandel kann na.rm benutzt werde wenn es auf TRUE gesetzt ist überspringt es NA werte. Volgente Funktionen können na.rm nutzen Um fehlende Werte direkt bei der Berechnung zu behandeln kann na.rm benutzt werden. Wenn es auf TRUE gesetzt ist überspringt es NA werte. Folgende Funktionen können na.rm nutzen
``` ```
colSums() colSums()
...@@ -223,13 +223,14 @@ rowSums(narmtest, na.rm = TRUE,) ...@@ -223,13 +223,14 @@ rowSums(narmtest, na.rm = TRUE,)
*Information: Die hier dargestellten Tabellen beinhalten zur Veranschaulichung jeweils nur die ersten 10 Zeilen. Unser Datensatz besteht aus 24 Zeilen.* *Information: Die hier dargestellten Tabellen beinhalten zur Veranschaulichung jeweils nur die ersten 10 Zeilen. Unser Datensatz besteht aus 24 Zeilen.*
Hier ist uner tatsächlicher Datensatz aus der Excel-Datei: Hier ist unser tatsächlicher Datensatz aus der Excel-Datei:
```{r} ```{r}
kable(head(data,10)) kable(head(data,10))
``` ```
### Eigenschaften der Daten ### Eigenschaften der Daten
Nun können wir Eigenschaften wie Mittelwert, Meidan, Varianz und die Standartabweichung berechnen.
Nun können wir Eigenschaften wie Mittelwert, Median, Varianz und die Standartabweichung berechnen.
Dazu nutzen wir die 8. und 9. Spalte. Diese enthalten die gesamte Anzahl der Männlichen und Weiblichen Student:innen der Dazu nutzen wir die 8. und 9. Spalte. Diese enthalten die gesamte Anzahl der Männlichen und Weiblichen Student:innen der
Jahre: Jahre:
...@@ -245,9 +246,20 @@ data_female <- as.numeric(unlist(selected_data[-1 ,2])) ...@@ -245,9 +246,20 @@ data_female <- as.numeric(unlist(selected_data[-1 ,2]))
``` ```
Und Berechnen: Und Berechnen:
Den Mittelwert:
```{r}
print(paste("Mittelwert male: ", mean(data_male), "Mittelwert female: ", mean(data_female)))
```
Den Median:
```{r} ```{r}
print(paste("Median male: ", median(data_male), "Median female: ", median(data_female))) print(paste("Median male: ", median(data_male), "Median female: ", median(data_female)))
```
Die Varianz:
```{r}
print(paste("Varianz male: ", var(data_male), "Varianz female: ", var(data_female))) print(paste("Varianz male: ", var(data_male), "Varianz female: ", var(data_female)))
```
und die Standartabweichung:
```{r}
print(paste("Std. Abweichung male: ", sd(data_male), "Std. Abweichung female: ", sd(data_female))) print(paste("Std. Abweichung male: ", sd(data_male), "Std. Abweichung female: ", sd(data_female)))
``` ```
...@@ -257,7 +269,7 @@ In der Datenbasis haben wir 2 Hypothesen aufgestellt: ...@@ -257,7 +269,7 @@ In der Datenbasis haben wir 2 Hypothesen aufgestellt:
* Die Anzahl der Ausländischen Studenten in Deutschland hat sich seit dem WS 00/01 verdoppelt. * Die Anzahl der Ausländischen Studenten in Deutschland hat sich seit dem WS 00/01 verdoppelt.
* Der %-Anteil an studierenden Frauen (insgesamt) gegenüber studierenden Männern (insgesamt) hat sich seit dem WS 98/99 stetig erhöht. * Der %-Anteil an studierenden Frauen (insgesamt) gegenüber studierenden Männern (insgesamt) hat sich seit dem WS 98/99 stetig erhöht.
Für die erste Hypothese müssen wir ledeglich die Summe der Ausländischen Student:innen vom Wintersemester 2000 mit dem aktuellstem Wintersemester vergleichen und schauen, ob der Wert vom Aktuellen Semester größer oder gleich doppelt so groß ist wie vom altem Wintersemester: Für die erste Hypothese müssen wir lediglich die Summe der Ausländischen Student:innen vom Wintersemester 2000 mit dem aktuellstem Wintersemester vergleichen und schauen, ob der Wert vom Aktuellen Semester größer oder gleich doppelt so groß ist wie vom altem Wintersemester:
```{r} ```{r}
old_ws <- as.numeric(data[2,7]) old_ws <- as.numeric(data[2,7])
...@@ -291,6 +303,9 @@ print(coef(trend_m)) ...@@ -291,6 +303,9 @@ print(coef(trend_m))
``` ```
## Ergebnispräsentation ## Ergebnispräsentation
In der Datenanalyse haben wir bei der 2. Hypothese geschaut, ob die Anzahl an Frauen im vergleich zu Männern stetig erhöt hat. Hierzu eine Visualisierung: In der Datenanalyse haben wir bei der 2. Hypothese geschaut, ob die Anzahl an Frauen im vergleich zu Männern stetig erhöt hat. Hierzu eine Visualisierung:
... ...
......
DCProject.html
+ 31
− 24
View file @ 7a415240
...@@ -598,27 +598,27 @@ XLSX</p> ...@@ -598,27 +598,27 @@ XLSX</p>
<li><p>Daten aus einer CSV-Datei einlesen</p> <li><p>Daten aus einer CSV-Datei einlesen</p>
<p><a href="https://www.youtube.com/watch?v=Ia5Q1LlCCFc">Video Tutorial <p><a href="https://www.youtube.com/watch?v=Ia5Q1LlCCFc">Video Tutorial
für CSV-Dateien</a></p> für CSV-Dateien</a></p>
<p>es gibt zwei Funktionen zum einelesen einer CSV-Datei</p> <p>es gibt zwei Funktionen zum einlesen einer CSV-Datei</p>
<ul> <ul>
<li>read.csv wird verwendet wenn Dezimalzahlen mit eine Punkt “.” <li>read.csv wird verwendet wenn Dezimalzahlen mit einem Punkt “.”
getrennt werden und Splaten durch ein Komma “,”.</li> getrennt werden und Spalten durch ein Komma “,”.</li>
<li>read.csv2 wird verwendet wenn Dezimalzahlen durch eine Komma “,” <li>read.csv2 wird verwendet wenn Dezimalzahlen durch eine Komma “,”
getrennt werden und Spalten durch ein Semikolon “;”.</li> getrennt werden und Spalten durch ein Semikolon “;”.</li>
</ul> </ul>
<p>In diesem Beispiel wird der dataframe daten_csv erstelt durch die <p>In diesem Beispiel wird der dataframe daten_csv erstellt durch die
datei mit dem Namen daten.csv zusätzlich werden dan Fehlende Werte na Datei mit dem Namen daten.csv zusätzlich werden dann Fehlende Werte
mit na=“NA”</p> durch na=“NA” aufgefüllt.</p>
<p>Wenn die Datei im Arbeitsverzeichnis ist</p> <p>Wenn die Datei im Arbeitsverzeichnis ist</p>
<pre><code>daten_csv &lt;- read.csv2(&quot;daten.csv&quot;, na=&quot;NA&quot;) <pre><code>daten_csv &lt;- read.csv2(&quot;daten.csv&quot;, na=&quot;NA&quot;)
</code></pre> </code></pre>
<p>Wenn die Datei auserhalb des Arbeitsverzeichnis ist</p> <p>Wenn die Datei auserhalb des Arbeitsverzeichnis ist</p>
<pre><code>daten_csv &lt;- read.csv2(&quot;C:/Dokumente/daten.csv&quot;, na=&quot;NA&quot;) <pre><code>daten_csv &lt;- read.csv2(&quot;C:/Dokumente/daten.csv&quot;, na=&quot;NA&quot;)
</code></pre> </code></pre>
<p>Wenn man den Pfand erst nach dem ausführen angeben will kann man <p>Wenn man den Pfad erst nach dem ausführen angeben will kann man
auch</p> auch</p>
<pre><code>daten_csv &lt;- read.csv2(file.choose(), na=&quot;NA&quot;) <pre><code>daten_csv &lt;- read.csv2(file.choose(), na=&quot;NA&quot;)
</code></pre> </code></pre>
<p>nuzen dort wird nach dem ausführen ein Fenster geöfnet bei dem man <p>nuzen dort wird nach dem ausführen ein Fenster geöffnet bei dem man
die Datei dann im Explorer auswählen kann.</p> die Datei dann im Explorer auswählen kann.</p>
<p>An die read.csv bzw read.csv2 können noch weitere Parameter <p>An die read.csv bzw read.csv2 können noch weitere Parameter
Hinzugefügt werden z.B.</p> Hinzugefügt werden z.B.</p>
...@@ -635,7 +635,7 @@ verwendet</p> ...@@ -635,7 +635,7 @@ verwendet</p>
<p>davor muss aber mit</p> <p>davor muss aber mit</p>
<pre><code>install.packages(&quot;readxl&quot;) <pre><code>install.packages(&quot;readxl&quot;)
</code></pre> </code></pre>
<p>Das benötigte Packert instalirt werden und mit</p> <p>Das benötigte Packert installiert werden und mit</p>
<pre><code>libary (readxl)</code></pre> <pre><code>libary (readxl)</code></pre>
<p>das Packet engebunden werden um die read Funktion verwenden zu <p>das Packet engebunden werden um die read Funktion verwenden zu
können</p> können</p>
...@@ -651,12 +651,12 @@ class="section level3"> ...@@ -651,12 +651,12 @@ class="section level3">
fehlende Werten in R löschen</a></p> fehlende Werten in R löschen</a></p>
<p>Durch die Funktion na.omit() können Zeilen entfernt werden in denen <p>Durch die Funktion na.omit() können Zeilen entfernt werden in denen
Fehlerhafte Werte stehen.</p> Fehlerhafte Werte stehen.</p>
<p>Im Beisplie hier werden alle Zeilen mit na werten vom dataframe daten <p>Im Beispiel hier werden alle Zeilen mit na werten vom dataframe daten
entfernt im dataframe gesaueberte_daten abgelegt</p> entfernt und im dataframe gesaueberte_daten abgelegt</p>
<pre><code>gesaueberte_daten &lt;- na.omit(daten)</code></pre> <pre><code>gesaueberte_daten &lt;- na.omit(daten)</code></pre>
<p>Um fehlende Werte direkt bei der Berechnung zu behandel kann na.rm <p>Um fehlende Werte direkt bei der Berechnung zu behandel kann na.rm
benutzt werde wenn es auf TRUE gesetzt ist überspringt es NA werte. benutzt werden. Wenn es auf TRUE gesetzt ist überspringt es NA werte.
Volgente Funktionen können na.rm nutzen</p> Folgende Funktionen können na.rm nutzen</p>
<pre><code>colSums() <pre><code>colSums()
rowSums() rowSums()
...@@ -683,7 +683,7 @@ rowMeans()</code></pre> ...@@ -683,7 +683,7 @@ rowMeans()</code></pre>
<p><em>Information: Die hier dargestellten Tabellen beinhalten zur <p><em>Information: Die hier dargestellten Tabellen beinhalten zur
Veranschaulichung jeweils nur die ersten 10 Zeilen. Unser Datensatz Veranschaulichung jeweils nur die ersten 10 Zeilen. Unser Datensatz
besteht aus 24 Zeilen.</em></p> besteht aus 24 Zeilen.</em></p>
<p>Hier ist uner tatsächlicher Datensatz aus der Excel-Datei:</p> <p>Hier ist unser tatsächlicher Datensatz aus der Excel-Datei:</p>
<pre class="r"><code>kable(head(data,10))</code></pre> <pre class="r"><code>kable(head(data,10))</code></pre>
<table style="width:100%;"> <table style="width:100%;">
<colgroup> <colgroup>
...@@ -837,7 +837,7 @@ besteht aus 24 Zeilen.</em></p> ...@@ -837,7 +837,7 @@ besteht aus 24 Zeilen.</em></p>
</table> </table>
<div id="section-eigenschaften-der-daten" class="section level3"> <div id="section-eigenschaften-der-daten" class="section level3">
<h3>Eigenschaften der Daten</h3> <h3>Eigenschaften der Daten</h3>
<p>Nun können wir Eigenschaften wie Mittelwert, Meidan, Varianz und die <p>Nun können wir Eigenschaften wie Mittelwert, Median, Varianz und die
Standartabweichung berechnen. Dazu nutzen wir die 8. und 9. Spalte. Standartabweichung berechnen. Dazu nutzen wir die 8. und 9. Spalte.
Diese enthalten die gesamte Anzahl der Männlichen und Weiblichen Diese enthalten die gesamte Anzahl der Männlichen und Weiblichen
Student:innen der Jahre:</p> Student:innen der Jahre:</p>
...@@ -897,13 +897,19 @@ kable(head(selected_data, 10))</code></pre> ...@@ -897,13 +897,19 @@ kable(head(selected_data, 10))</code></pre>
Spalten etwas konvertiert:</p> Spalten etwas konvertiert:</p>
<pre class="r"><code>data_male &lt;- as.numeric(unlist(selected_data[-1 ,1])) <pre class="r"><code>data_male &lt;- as.numeric(unlist(selected_data[-1 ,1]))
data_female &lt;- as.numeric(unlist(selected_data[-1 ,2]))</code></pre> data_female &lt;- as.numeric(unlist(selected_data[-1 ,2]))</code></pre>
<p>Und Berechnen:</p> <p>Und Berechnen:<br />
Den Mittelwert:</p>
<pre class="r"><code>print(paste(&quot;Mittelwert male: &quot;, mean(data_male), &quot;Mittelwert female: &quot;, mean(data_female)))</code></pre>
<pre><code>## [1] &quot;Mittelwert male: 1209270.875 Mittelwert female: 1110770.875&quot;</code></pre>
<p>Den Median:</p>
<pre class="r"><code>print(paste(&quot;Median male: &quot;, median(data_male), &quot;Median female: &quot;, median(data_female)))</code></pre> <pre class="r"><code>print(paste(&quot;Median male: &quot;, median(data_male), &quot;Median female: &quot;, median(data_female)))</code></pre>
<pre><code>## [1] &quot;Median male: NA Median female: NA&quot;</code></pre> <pre><code>## [1] &quot;Median male: 1131967.5 Median female: 1037268.5&quot;</code></pre>
<p>Die Varianz:</p>
<pre class="r"><code>print(paste(&quot;Varianz male: &quot;, var(data_male), &quot;Varianz female: &quot;, var(data_female)))</code></pre> <pre class="r"><code>print(paste(&quot;Varianz male: &quot;, var(data_male), &quot;Varianz female: &quot;, var(data_female)))</code></pre>
<pre><code>## [1] &quot;Varianz male: NA Varianz female: NA&quot;</code></pre> <pre><code>## [1] &quot;Varianz male: 41499717399.6793 Varianz female: 52823225049.6793&quot;</code></pre>
<p>und die Standartabweichung:</p>
<pre class="r"><code>print(paste(&quot;Std. Abweichung male: &quot;, sd(data_male), &quot;Std. Abweichung female: &quot;, sd(data_female)))</code></pre> <pre class="r"><code>print(paste(&quot;Std. Abweichung male: &quot;, sd(data_male), &quot;Std. Abweichung female: &quot;, sd(data_female)))</code></pre>
<pre><code>## [1] &quot;Std. Abweichung male: NA Std. Abweichung female: NA&quot;</code></pre> <pre><code>## [1] &quot;Std. Abweichung male: 203714.794258246 Std. Abweichung female: 229833.037332929&quot;</code></pre>
</div> </div>
<div id="section-hypothesentest" class="section level3"> <div id="section-hypothesentest" class="section level3">
<h3>Hypothesentest</h3> <h3>Hypothesentest</h3>
...@@ -915,7 +921,7 @@ dem WS 00/01 verdoppelt.</li> ...@@ -915,7 +921,7 @@ dem WS 00/01 verdoppelt.</li>
studierenden Männern (insgesamt) hat sich seit dem WS 98/99 stetig studierenden Männern (insgesamt) hat sich seit dem WS 98/99 stetig
erhöht.</li> erhöht.</li>
</ul> </ul>
<p>Für die erste Hypothese müssen wir ledeglich die Summe der <p>Für die erste Hypothese müssen wir lediglich die Summe der
Ausländischen Student:innen vom Wintersemester 2000 mit dem aktuellstem Ausländischen Student:innen vom Wintersemester 2000 mit dem aktuellstem
Wintersemester vergleichen und schauen, ob der Wert vom Aktuellen Wintersemester vergleichen und schauen, ob der Wert vom Aktuellen
Semester größer oder gleich doppelt so groß ist wie vom altem Semester größer oder gleich doppelt so groß ist wie vom altem
...@@ -1040,11 +1046,11 @@ Visualisierung:</p> ...@@ -1040,11 +1046,11 @@ Visualisierung:</p>
<pre class="r"><code>plot(daten$Jahr, daten$Frauen_Anteil, xlab = &quot;Jahr&quot;, ylab = &quot;% Anteil Frauen&quot;, main = &quot;Trend der Frauenanteile&quot;) <pre class="r"><code>plot(daten$Jahr, daten$Frauen_Anteil, xlab = &quot;Jahr&quot;, ylab = &quot;% Anteil Frauen&quot;, main = &quot;Trend der Frauenanteile&quot;)
abline(trend_f, col = &quot;red&quot;)</code></pre> abline(trend_f, col = &quot;red&quot;)</code></pre>
<p><img src="DCProject_files/figure-html/unnamed-chunk-8-1.png" width="624" /></p> <p><img src="DCProject_files/figure-html/unnamed-chunk-11-1.png" width="624" /></p>
<pre class="r"><code>plot(daten$Jahr, daten$Männer_Anteil, xlab = &quot;Jahr&quot;, ylab = &quot;% Anteil Männer&quot;, main = &quot;Trend der Männeranteile&quot;) <pre class="r"><code>plot(daten$Jahr, daten$Männer_Anteil, xlab = &quot;Jahr&quot;, ylab = &quot;% Anteil Männer&quot;, main = &quot;Trend der Männeranteile&quot;)
abline(trend_m, col = &quot;blue&quot;)</code></pre> abline(trend_m, col = &quot;blue&quot;)</code></pre>
<p><img src="DCProject_files/figure-html/unnamed-chunk-9-1.png" width="624" /></p> <p><img src="DCProject_files/figure-html/unnamed-chunk-12-1.png" width="624" /></p>
<p>Wie man sieht ist es tatsächlich so, dass der Frauenanteil stetig <p>Wie man sieht ist es tatsächlich so, dass der Frauenanteil stetig
gestiegen ist, im vergleich zum Männeranteil.</p> gestiegen ist, im vergleich zum Männeranteil.</p>
</div> </div>
...@@ -1060,6 +1066,7 @@ library(learnr) ...@@ -1060,6 +1066,7 @@ library(learnr)
library(readxl) library(readxl)
library(knitr) library(knitr)
library(dplyr) library(dplyr)
library(shiny)
current_dir = getwd() current_dir = getwd()
...@@ -1093,7 +1100,7 @@ session$onSessionEnded(function() { ...@@ -1093,7 +1100,7 @@ session$onSessionEnded(function() {
<!--/html_preserve--> <!--/html_preserve-->
<!--html_preserve--> <!--html_preserve-->
<script type="application/shiny-prerendered" data-context="execution_dependencies"> <script type="application/shiny-prerendered" data-context="execution_dependencies">
{"type":"list","attributes":{"names":{"type":"character","attributes":{},"value":["packages"]}},"value":[{"type":"list","attributes":{"names":{"type":"character","attributes":{},"value":["packages","version"]},"class":{"type":"character","attributes":{},"value":["data.frame"]},"row.names":{"type":"integer","attributes":{},"value":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55]}},"value":[{"type":"character","attributes":{},"value":["backports","base","bslib","cachem","cellranger","checkmate","cli","compiler","datasets","digest","dplyr","ellipsis","evaluate","fansi","fastmap","fontawesome","generics","glue","graphics","grDevices","highr","htmltools","htmlwidgets","httpuv","jquerylib","jsonlite","knitr","later","learnr","lifecycle","magrittr","methods","mime","pillar","pkgconfig","promises","R6","Rcpp","readxl","rlang","rmarkdown","rprojroot","sass","shiny","stats","tibble","tidyselect","tools","utf8","utils","vctrs","withr","xfun","xtable","yaml"]},{"type":"character","attributes":{},"value":["1.4.1","4.3.1","0.5.0","1.0.8","1.1.0","2.2.0","3.6.1","4.3.1","4.3.1","0.6.32","1.1.2","0.3.2","0.21","1.0.4","1.1.1","0.5.1","0.1.3","1.6.2","4.3.1","4.3.1","0.10","0.5.5","1.6.2","1.6.11","0.1.4","1.8.5","1.43","1.3.1","0.11.4","1.0.3","2.0.3","4.3.1","0.12","1.9.0","2.0.3","1.2.0.1","2.5.1","1.0.10","1.4.2","1.1.1","2.22","2.0.3","0.4.6","1.7.4","4.3.1","3.2.1","1.2.0","4.3.1","1.2.3","4.3.1","0.6.3","2.5.0","0.39","1.8-4","2.3.7"]}]}]} {"type":"list","attributes":{"names":{"type":"character","attributes":{},"value":["packages"]}},"value":[{"type":"list","attributes":{"names":{"type":"character","attributes":{},"value":["packages","version"]},"class":{"type":"character","attributes":{},"value":["data.frame"]},"row.names":{"type":"integer","attributes":{},"value":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55]}},"value":[{"type":"character","attributes":{},"value":["backports","base","bslib","cachem","cellranger","checkmate","cli","compiler","datasets","digest","dplyr","ellipsis","evaluate","fansi","fastmap","fontawesome","generics","glue","graphics","grDevices","highr","htmltools","htmlwidgets","httpuv","jquerylib","jsonlite","knitr","later","learnr","lifecycle","magrittr","methods","mime","pillar","pkgconfig","promises","R6","Rcpp","readxl","rlang","rmarkdown","rprojroot","sass","shiny","stats","tibble","tidyselect","tools","utf8","utils","vctrs","withr","xfun","xtable","yaml"]},{"type":"character","attributes":{},"value":["1.4.1","4.2.3","0.5.0","1.0.8","1.1.0","2.2.0","3.6.1","4.2.3","4.2.3","0.6.31","1.1.2","0.3.2","0.21","1.0.4","1.1.1","0.5.1","0.1.3","1.6.2","4.2.3","4.2.3","0.10","0.5.5","1.6.2","1.6.11","0.1.4","1.8.5","1.43","1.3.1","0.11.4","1.0.3","2.0.3","4.2.3","0.12","1.9.0","2.0.3","1.2.0.1","2.5.1","1.0.10","1.4.2","1.1.1","2.22","2.0.3","0.4.6","1.7.4","4.2.3","3.2.1","1.2.0","4.2.3","1.2.3","4.2.3","0.6.3","2.5.0","0.39","1.8-4","2.3.7"]}]}]}
</script> </script>
<!--/html_preserve--> <!--/html_preserve-->
</div> </div>
... ...
......
DCProject_files/figure-html/unnamed-chunk-10-1.png 0 → 100644
+ 0
− 0
View file @ 7a415240
DCProject_files/figure-html/unnamed-chunk-10-1.png

11.5 KiB

DCProject_files/figure-html/unnamed-chunk-11-1.png 0 → 100644
+ 0
− 0
View file @ 7a415240
DCProject_files/figure-html/unnamed-chunk-11-1.png

11.6 KiB

DCProject_files/figure-html/unnamed-chunk-12-1.png 0 → 100644
+ 0
− 0
View file @ 7a415240
DCProject_files/figure-html/unnamed-chunk-12-1.png

11.5 KiB

Datensatz.xlsx
+ 0
− 0
View file @ 7a415240
No preview for this file type
0% or .
You are about to add 0 people to the discussion. Proceed with caution.
Please to comment