Lösungen zu Übung 4
Jonathan Harrington / Johanna Cronenberg
Mai 2021
Daten & Packages laden
Laden Sie die folgenden Packages und Data Frames:
library(tidyverse)## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.0 ──## ✓ ggplot2 3.3.3 ✓ purrr 0.3.4
## ✓ tibble 3.1.0 ✓ dplyr 1.0.5
## ✓ tidyr 1.1.3 ✓ stringr 1.4.0
## ✓ readr 1.4.0 ✓ forcats 0.5.1## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()library(magrittr)##
## Attaching package: 'magrittr'## The following object is masked from 'package:purrr':
##
## set_names## The following object is masked from 'package:tidyr':
##
## extracturl <- "http://www.phonetik.uni-muenchen.de/~jmh/lehre/Rdf"
rating <- read.table(file.path(url, "rating.txt")) %>% as_tibble()
preasp <- read.table(file.path(url, "preasp.txt")) %>% as_tibble()
vcv <- read.table(file.path(url, "vcvC.txt")) %>% as_tibble()
vdata <- read.table(file.path(url, "vdata.txt")) %>% as_tibble()
hp_looks <- read.csv(file.path(url, "hp_looks.txt"), sep="") %>% as_tibble()
hp_measures <- read.csv(file.path(url, "hp_measures.txt"), sep="") %>% as_tibble()
hp_meta <- read.csv(file.path(url, "hp_meta.txt"), sep="") %>% as_tibble()
hp_names <- read.csv(file.path(url, "hp_names.txt"), sep="") %>% as_tibble()
hp_wiz <- read.csv(file.path(url, "hp_wiz.txt"), sep="") %>% as_tibble()
p <- read.table(file.path(url, "param.txt"), stringsAsFactors = F) %>%
dplyr::filter(nchar(Vpn) > 4) %>%
as_tibble()Q & A’s
1. Datenmanipulation mit dplyr & tidyr
- Q1.1: Benennen Sie die Spalten
x,yundzim Data Framediamonds(wird automatisch mit dem tidyverse geladen) um inlaenge,breiteundtiefe. Erstellen Sie dann durch pivoting eine neue Spaltemeasureaus den drei umbenannten Spalten und eine neue Spaltevalue, die deren Werte enthält.
diamonds %>%
rename(laenge = x,
breite = y,
tiefe = z) %>%
pivot_longer(cols = c(laenge, breite, tiefe),
names_to = "measure",
values_to = "value")## # A tibble: 161,820 x 9
## carat cut color clarity depth table price measure value
## <dbl> <ord> <ord> <ord> <dbl> <dbl> <int> <chr> <dbl>
## 1 0.23 Ideal E SI2 61.5 55 326 laenge 3.95
## 2 0.23 Ideal E SI2 61.5 55 326 breite 3.98
## 3 0.23 Ideal E SI2 61.5 55 326 tiefe 2.43
## 4 0.21 Premium E SI1 59.8 61 326 laenge 3.89
## 5 0.21 Premium E SI1 59.8 61 326 breite 3.84
## 6 0.21 Premium E SI1 59.8 61 326 tiefe 2.31
## 7 0.23 Good E VS1 56.9 65 327 laenge 4.05
## 8 0.23 Good E VS1 56.9 65 327 breite 4.07
## 9 0.23 Good E VS1 56.9 65 327 tiefe 2.31
## 10 0.29 Premium I VS2 62.4 58 334 laenge 4.2
## # … with 161,810 more rows- Q1.2: In der Spalte
Vpndes Data Framespbefinden sich drei Informationen: Alter, Region und Staat, getrennt durch Unterstriche. Teilen Sie die Informationen dauerhaft in drei neue, sinnvoll benannte Spalten auf.
p %<>%
separate(col = "Vpn",
into = c("age", "region", "country"),
sep = "_")- Q1.3: Lassen Sie sich aus dem Data Frame
palle Beobachtungen ausgeben, wo die Versuchsperson zwischen 85 und 90 Jahren alt, der ContextCont“mie” und der Messwertslopesgrößer oder gleich 1.0 ist. (Ergebnis hat 2 Zeilen und 6 Spalten)
p %>% filter(age > 85 & age < 90 &
Cont == "mie" &
slopes >= 1.0)## # A tibble: 2 x 6
## slopes age region country Group Cont
## <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 1.08 87 2 de Stand mie
## 2 1.08 88 2 de Stand mie- Q1.4: Wählen Sie aus dem Data Frame
vdatadie SpaltenF1bisConsaus sowie alle Beobachtungen, für die die VersuchspersonSubjnicht “bk” oder “hp” oder “ta” ist; formen Sie den Data Frame dann so um, dass die Formanten F1 und F2 in einer neuen Spalteformantund die F1- und F2-Werte in einer neuen Spaltevalueerscheinen. (Ergebnis hat 3424 Zeilen und 6 Spalten)
vdata %>%
filter(!Subj %in% c("bk", "hp", "ta")) %>%
select(F1:Cons) %>%
pivot_longer(cols = c(F1, F2), names_to = "formant", values_to = "value")## # A tibble: 3,424 x 6
## dur V Tense Cons formant value
## <dbl> <chr> <chr> <chr> <chr> <int>
## 1 102. E - K F1 465
## 2 102. E - K F2 1786
## 3 95.7 % - P F1 497
## 4 95.7 % - P F2 1211
## 5 96.6 I - T F1 342
## 6 96.6 I - T F2 1591
## 7 95.1 Y - K F1 300
## 8 95.1 Y - K F2 1450
## 9 129. E - T F1 411
## 10 129. E - T F2 1536
## # … with 3,414 more rows- Q1.5: Finden Sie die durchschnittliche Reaktionszeit
RTpro VersuchspersonSubject, VokalVowelund SpracheLangim Data Framevcvheraus. Fügen Sie dem daraus resultierenden Data Frame eine Spalte namenstempohinzu, die folgende Werte enthält: “schnell” für alle mittleren Reaktionszeiten unter 500 ms, “mittel” für Reaktionszeiten zwischen 500 und 575 ms, “okay” für Reaktionszeiten zwischen 575 und 650 ms, “langsam” für Reaktionszeiten zwischen 650 und 800 ms, und “sehr langsam” für alle Reaktionszeiten über 800 ms. Finden Sie anschließend heraus, wie häufig jeder Wert der Variabletempovorkommt. (Ergebnis hat 5 Zeilen und 2 Spalten)
vcv %>%
group_by(Subject, Vowel, Lang) %>%
summarise(mean_rt = mean(RT)) %>%
mutate(tempo = case_when(mean_rt < 500 ~ "schnell",
mean_rt > 500 & mean_rt < 575 ~ "mittel",
mean_rt > 575 & mean_rt < 650 ~ "okay",
mean_rt > 650 & mean_rt < 800 ~ "langsam",
mean_rt > 800 ~ "sehr langsam")) %>%
group_by(tempo) %>%
summarise(count = n())## `summarise()` has grouped output by 'Subject', 'Vowel'. You can override using the `.groups` argument.## # A tibble: 5 x 2
## tempo count
## <chr> <int>
## 1 langsam 29
## 2 mittel 7
## 3 okay 9
## 4 schnell 5
## 5 sehr langsam 42. Magical Joining mit dplyr
- Q2.1: Verbinden Sie die beiden Data Frames
hp_namesundhp_metaso miteinander, dass alle Beobachtungen und alle Spalten aus beiden Data Frames im Ergebnis erhalten bleiben. Nutzen Sie die Spalteidals key. Es gibt hier verschiedene Lösungswege.
inner_join(hp_names, hp_meta, by = "id")## # A tibble: 140 x 7
## id name gender species bloodStatus birth death
## <int> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 1 Harry James Po… Male Human Half-blood "31 July 198… <NA>
## 2 2 Ronald Bilius … Male Human Pure-blood "1 March 198… <NA>
## 3 3 Hermione Jean … Female Human Muggle-born "19 Septembe… <NA>
## 4 4 Albus Percival… Male Human Half-blood "Late August… "30 Ju…
## 5 5 Rubeus Hagrid Male Half-Human… Part-Human (H… "6 December … <NA>
## 6 6 Neville Longbo… Male Human Pure-blood "30 July, 19… <NA>
## 7 7 Fred Weasley Male Human Pure-blood "1 April, 19… "2 May…
## 8 8 George Weasley Male Human Pure-blood " 1 April, 1… <NA>
## 9 9 Ginevra (Ginny… Female Human Pure-blood "11 August, … <NA>
## 10 10 Dean Thomas Male Human Muggle-born " 1 Septembe… <NA>
## # … with 130 more rowsfull_join(hp_names, hp_meta, by = "id")## # A tibble: 140 x 7
## id name gender species bloodStatus birth death
## <int> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 1 Harry James Po… Male Human Half-blood "31 July 198… <NA>
## 2 2 Ronald Bilius … Male Human Pure-blood "1 March 198… <NA>
## 3 3 Hermione Jean … Female Human Muggle-born "19 Septembe… <NA>
## 4 4 Albus Percival… Male Human Half-blood "Late August… "30 Ju…
## 5 5 Rubeus Hagrid Male Half-Human… Part-Human (H… "6 December … <NA>
## 6 6 Neville Longbo… Male Human Pure-blood "30 July, 19… <NA>
## 7 7 Fred Weasley Male Human Pure-blood "1 April, 19… "2 May…
## 8 8 George Weasley Male Human Pure-blood " 1 April, 1… <NA>
## 9 9 Ginevra (Ginny… Female Human Pure-blood "11 August, … <NA>
## 10 10 Dean Thomas Male Human Muggle-born " 1 Septembe… <NA>
## # … with 130 more rowsleft_join(hp_names, hp_meta, by = "id")## # A tibble: 140 x 7
## id name gender species bloodStatus birth death
## <int> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 1 Harry James Po… Male Human Half-blood "31 July 198… <NA>
## 2 2 Ronald Bilius … Male Human Pure-blood "1 March 198… <NA>
## 3 3 Hermione Jean … Female Human Muggle-born "19 Septembe… <NA>
## 4 4 Albus Percival… Male Human Half-blood "Late August… "30 Ju…
## 5 5 Rubeus Hagrid Male Half-Human… Part-Human (H… "6 December … <NA>
## 6 6 Neville Longbo… Male Human Pure-blood "30 July, 19… <NA>
## 7 7 Fred Weasley Male Human Pure-blood "1 April, 19… "2 May…
## 8 8 George Weasley Male Human Pure-blood " 1 April, 1… <NA>
## 9 9 Ginevra (Ginny… Female Human Pure-blood "11 August, … <NA>
## 10 10 Dean Thomas Male Human Muggle-born " 1 Septembe… <NA>
## # … with 130 more rowsright_join(hp_meta, hp_names, by = "id")## # A tibble: 140 x 7
## id gender species bloodStatus birth death name
## <int> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 1 Male Human Half-blood "31 July 198… <NA> Harry James P…
## 2 2 Male Human Pure-blood "1 March 198… <NA> Ronald Bilius…
## 3 3 Female Human Muggle-born "19 Septembe… <NA> Hermione Jean…
## 4 4 Male Human Half-blood "Late August… "30 Ju… Albus Perciva…
## 5 5 Male Half-Human… Part-Human (Ha… "6 December … <NA> Rubeus Hagrid
## 6 6 Male Human Pure-blood "30 July, 19… <NA> Neville Longb…
## 7 7 Male Human Pure-blood "1 April, 19… "2 May… Fred Weasley
## 8 8 Male Human Pure-blood " 1 April, 1… <NA> George Weasley
## 9 9 Female Human Pure-blood "11 August, … <NA> Ginevra (Ginn…
## 10 10 Male Human Muggle-born " 1 Septembe… <NA> Dean Thomas
## # … with 130 more rows- Q2.2: Verbinden Sie die Data Frames
hp_namesundhp_wizüber die Spalteid, sodass nur Zeilen aushp_wizerhalten bleiben und das Ergebnis die Spalten beider Data Frames enthält. Es gibt hier verschiedene Lösungswege.
inner_join(hp_names, hp_wiz, by = "id")## # A tibble: 97 x 5
## id name house wand patronus
## <int> <chr> <chr> <chr> <chr>
## 1 1 Harry James Potter Gryffin… "11\" Holly phoenix… Stag
## 2 2 Ronald Bilius Weasley Gryffin… "12\" Ash unicorn tai… Jack Russell …
## 3 3 Hermione Jean Granger Gryffin… "10¾\" vine wood dra… Otter
## 4 4 Albus Percival Wulfric … Gryffin… "15\" Elder Thestral … Phoenix
## 5 5 Rubeus Hagrid Gryffin… "16\" Oak unknown co… None
## 6 6 Neville Longbottom Gryffin… "13\" Cherry unicorn … Non-corporeal
## 7 7 Fred Weasley Gryffin… "Unknown" Unknown
## 8 8 George Weasley Gryffin… "Unknown" Unknown
## 9 9 Ginevra (Ginny) Molly W… Gryffin… "Unknown" Horse
## 10 10 Dean Thomas Gryffin… "Unknown" Unknown
## # … with 87 more rowsright_join(hp_names, hp_wiz, by = "id")## # A tibble: 97 x 5
## id name house wand patronus
## <int> <chr> <chr> <chr> <chr>
## 1 1 Harry James Potter Gryffin… "11\" Holly phoenix… Stag
## 2 2 Ronald Bilius Weasley Gryffin… "12\" Ash unicorn tai… Jack Russell …
## 3 3 Hermione Jean Granger Gryffin… "10¾\" vine wood dra… Otter
## 4 4 Albus Percival Wulfric … Gryffin… "15\" Elder Thestral … Phoenix
## 5 5 Rubeus Hagrid Gryffin… "16\" Oak unknown co… None
## 6 6 Neville Longbottom Gryffin… "13\" Cherry unicorn … Non-corporeal
## 7 7 Fred Weasley Gryffin… "Unknown" Unknown
## 8 8 George Weasley Gryffin… "Unknown" Unknown
## 9 9 Ginevra (Ginny) Molly W… Gryffin… "Unknown" Horse
## 10 10 Dean Thomas Gryffin… "Unknown" Unknown
## # … with 87 more rowsleft_join(hp_wiz, hp_names, by = "id")## # A tibble: 97 x 5
## id house wand patronus name
## <int> <chr> <chr> <chr> <chr>
## 1 1 Gryffin… "11\" Holly phoenix … Stag Harry James Potter
## 2 2 Gryffin… "12\" Ash unicorn tail… Jack Russell … Ronald Bilius Weasley
## 3 3 Gryffin… "10¾\" vine wood drag… Otter Hermione Jean Granger
## 4 4 Gryffin… "15\" Elder Thestral t… Phoenix Albus Percival Wulfric…
## 5 5 Gryffin… "16\" Oak unknown cor… None Rubeus Hagrid
## 6 6 Gryffin… "13\" Cherry unicorn h… Non-corporeal Neville Longbottom
## 7 7 Gryffin… "Unknown" Unknown Fred Weasley
## 8 8 Gryffin… "Unknown" Unknown George Weasley
## 9 9 Gryffin… "Unknown" Horse Ginevra (Ginny) Molly …
## 10 10 Gryffin… "Unknown" Unknown Dean Thomas
## # … with 87 more rows- Q2.3: Verbinden Sie die Data Frames
hp_namesundhp_wizüber die Spalteid, sodass alle Zeilen aushp_nameserhalten bleiben und das Ergebnis die Spalten beider Data Frames enthält. Fehlende Werte sollen alsNAim Ergebnis erscheinen. Es gibt hier verschiedene Lösungswege.
right_join(hp_wiz, hp_names, by = "id")## # A tibble: 140 x 5
## id house wand patronus name
## <int> <chr> <chr> <chr> <chr>
## 1 1 Gryffin… "11\" Holly phoenix … Stag Harry James Potter
## 2 2 Gryffin… "12\" Ash unicorn tail… Jack Russell … Ronald Bilius Weasley
## 3 3 Gryffin… "10¾\" vine wood drag… Otter Hermione Jean Granger
## 4 4 Gryffin… "15\" Elder Thestral t… Phoenix Albus Percival Wulfric…
## 5 5 Gryffin… "16\" Oak unknown cor… None Rubeus Hagrid
## 6 6 Gryffin… "13\" Cherry unicorn h… Non-corporeal Neville Longbottom
## 7 7 Gryffin… "Unknown" Unknown Fred Weasley
## 8 8 Gryffin… "Unknown" Unknown George Weasley
## 9 9 Gryffin… "Unknown" Horse Ginevra (Ginny) Molly …
## 10 10 Gryffin… "Unknown" Unknown Dean Thomas
## # … with 130 more rowsleft_join(hp_names, hp_wiz, by = "id")## # A tibble: 140 x 5
## id name house wand patronus
## <int> <chr> <chr> <chr> <chr>
## 1 1 Harry James Potter Gryffin… "11\" Holly phoenix… Stag
## 2 2 Ronald Bilius Weasley Gryffin… "12\" Ash unicorn tai… Jack Russell …
## 3 3 Hermione Jean Granger Gryffin… "10¾\" vine wood dra… Otter
## 4 4 Albus Percival Wulfric … Gryffin… "15\" Elder Thestral … Phoenix
## 5 5 Rubeus Hagrid Gryffin… "16\" Oak unknown co… None
## 6 6 Neville Longbottom Gryffin… "13\" Cherry unicorn … Non-corporeal
## 7 7 Fred Weasley Gryffin… "Unknown" Unknown
## 8 8 George Weasley Gryffin… "Unknown" Unknown
## 9 9 Ginevra (Ginny) Molly W… Gryffin… "Unknown" Horse
## 10 10 Dean Thomas Gryffin… "Unknown" Unknown
## # … with 130 more rowsfull_join(hp_names, hp_wiz, by = "id")## # A tibble: 140 x 5
## id name house wand patronus
## <int> <chr> <chr> <chr> <chr>
## 1 1 Harry James Potter Gryffin… "11\" Holly phoenix… Stag
## 2 2 Ronald Bilius Weasley Gryffin… "12\" Ash unicorn tai… Jack Russell …
## 3 3 Hermione Jean Granger Gryffin… "10¾\" vine wood dra… Otter
## 4 4 Albus Percival Wulfric … Gryffin… "15\" Elder Thestral … Phoenix
## 5 5 Rubeus Hagrid Gryffin… "16\" Oak unknown co… None
## 6 6 Neville Longbottom Gryffin… "13\" Cherry unicorn … Non-corporeal
## 7 7 Fred Weasley Gryffin… "Unknown" Unknown
## 8 8 George Weasley Gryffin… "Unknown" Unknown
## 9 9 Ginevra (Ginny) Molly W… Gryffin… "Unknown" Horse
## 10 10 Dean Thomas Gryffin… "Unknown" Unknown
## # … with 130 more rows- Q2.4: Verbinden Sie die Data Frames
hp_namesundhp_looksüber die Spalteid, sodass alle Beobachtungen und alle Spalten aus beiden Data Frames erhalten bleiben und die Spalten notfalls mitNAgefüllt werden. Hier gibt es nur eine Lösung.
full_join(hp_names, hp_looks, by = "id")## # A tibble: 145 x 4
## id name hairColour eyeColour
## <int> <chr> <chr> <chr>
## 1 1 Harry James Potter Black Bright gre…
## 2 2 Ronald Bilius Weasley Red Blue
## 3 3 Hermione Jean Granger Brown Brown
## 4 4 Albus Percival Wulfric Brian Dumble… Silver| formerly aubu… Blue
## 5 5 Rubeus Hagrid Black Black
## 6 6 Neville Longbottom Blond <NA>
## 7 7 Fred Weasley Red Brown
## 8 8 George Weasley Red Brown
## 9 9 Ginevra (Ginny) Molly Weasley Red Bright bro…
## 10 10 Dean Thomas Black Brown
## # … with 135 more rows- Q2.5: Finden Sie mittels eines filtering joins über die Spalte
idheraus, für welche Beobachtungen inhp_lookses keinen Match inhp_namesgibt. Hier gibt es nur eine Lösung.
anti_join(hp_looks, hp_names, by = "id")## # A tibble: 5 x 3
## id hairColour eyeColour
## <int> <chr> <chr>
## 1 141 blonde blue
## 2 142 reddish green
## 3 143 dark brown brown
## 4 144 black grey
## 5 145 ash blonde ice-blue- Q2.6: Finden Sie mittels eines filtering joins über die Spalte
idheraus, für welche Beobachtungen inhp_nameses keinen Match inhp_looksgibt. Hier gibt es nur eine Lösung.
anti_join(hp_names, hp_looks, by = "id")## # A tibble: 8 x 2
## id name
## <int> <chr>
## 1 60 Rodolphus Lestrange
## 2 61 Millicent Bulstrode
## 3 62 Graham Montague
## 4 63 Bloody Baron
## 5 64 Marcus Flint
## 6 65 Penelope Clearwater
## 7 66 Roger Davies
## 8 67 Marcus Belby- Q2.7: Verbinden Sie die Data Frames
hp_namesundhp_looksüber die Spalteid, sodass alle Beobachtungen und alle Spalten aus beiden Data Frames erhalten bleiben, für die es einen Match in beiden Data Frames gibt (keine neu erzeugtenNA-Werte im Ergebnis). Hier gibt es nur eine Lösung.
inner_join(hp_names, hp_looks, by = "id")## # A tibble: 132 x 4
## id name hairColour eyeColour
## <int> <chr> <chr> <chr>
## 1 1 Harry James Potter Black Bright gre…
## 2 2 Ronald Bilius Weasley Red Blue
## 3 3 Hermione Jean Granger Brown Brown
## 4 4 Albus Percival Wulfric Brian Dumble… Silver| formerly aubu… Blue
## 5 5 Rubeus Hagrid Black Black
## 6 6 Neville Longbottom Blond <NA>
## 7 7 Fred Weasley Red Brown
## 8 8 George Weasley Red Brown
## 9 9 Ginevra (Ginny) Molly Weasley Red Bright bro…
## 10 10 Dean Thomas Black Brown
## # … with 122 more rows- Q2.8: Finden Sie mittels eines filtering join über die Spalte
idheraus, für welche Personen inhp_nameses Messwerte inhp_measuresgibt. Hier gibt es nur eine Lösung.
semi_join(hp_names, hp_measures, by = "id")## # A tibble: 18 x 2
## id name
## <int> <chr>
## 1 1 Harry James Potter
## 2 2 Ronald Bilius Weasley
## 3 3 Hermione Jean Granger
## 4 4 Albus Percival Wulfric Brian Dumbledore
## 5 5 Rubeus Hagrid
## 6 6 Neville Longbottom
## 7 7 Fred Weasley
## 8 8 George Weasley
## 9 14 Sirius Black
## 10 30 Minerva McGonagall
## 11 35 Luna Lovegood
## 12 37 Filius Flitwick
## 13 38 Sybill Patricia Trelawney
## 14 46 Severus Snape
## 15 47 Draco Malfoy
## 16 50 Bellatrix Lestrange
## 17 51 Dolores Jane Umbridge
## 18 139 Dobby3. Abbildungen mit ggplot2
Bei allen folgenden Plots dürfen Sie gerne mit den ggplot2 Spezifikationen spielen: Verändern Sie die Farben, Punkt-Shapes, Linientypen, Schriftgröße, Achsenbeschriftungen…
- Q3.1: Erstellen Sie einen Density Plot anhand des Data Frames
rating. Auf der x-Achse soll das Rating angezeigt werden. Trennen Sie Panels nach FamiliaritätFamin Zeilen und SpracheLangin Spalten.
ggplot(rating) +
aes(x = Rating) +
geom_density() +
facet_grid(Fam~Lang)
- Q3.2: Zeigen Sie anhand des Data Frames
preaspmit einem Boxplot den Einfluss von Artikulationsstellecplaceauf die Verschlussdauerclodur. Farbkodieren Sie die Boxplots nach Artikulationsstelle und erstellen Sie verschiedene Panels für die Variable Region. Schreiben Sie unter Ihrem Code Ihre Einschätzung zu der Fragestellung als Kommentar auf.
ggplot(preasp) +
aes(x = cplace, y = clodur, fill = cplace) +
facet_wrap(~region) +
geom_boxplot()
# Ihre Einschätzung:
# Die Verschlussdauer ist am kürzesten in kk und am längsten in tt.
# Die Regionen unterscheiden sich diesbezüglich kaum.- Q3.3: Erstellen Sie ein Histogramm über die Reaktionszeiten
RTim Data Framevcvmit einer Balkenbreite von 75. Stellen Sie die drei Vokale in getrennten Panels dar.
ggplot(vcv) +
aes(x = RT) +
facet_wrap(~Vowel) +
geom_histogram(color = "white", binwidth = 75)
- Q3.4: Erstellen Sie einen Lineplot mit allen Beobachtungen aus dem Data Frame
billboardfür die folgenden Künstlerartist: “No Doubt”, “Spears, Britney”, “TLC”, “Aguilera, Christina”, “Backstreet Boys, The”, “Pink”, “Destiny’s Child”. Auf der y-Achse soll das Ranking und auf der x-Achse die Kalenderwoche aufgetragen werden – dazu müssen Sie die Spaltenrankundweekmittels pivoting erstellen. Nutzen Sie außerdem die Funktionfactor()innerhalb vonmutate(), um die Werte in der Spalteweekin einen Faktor mit den Levels 1 bis 32 umzuwandeln. Die Linien sollen nach dem Künstler farbkodiert werden. Da es pro Künstler zum Teil mehrere Songs in den Charts gibt, müssen Sie den aesthetic mappings nochgroup = trackhinzufügen.
billboard %>%
filter(artist %in% c("No Doubt", "Spears, Britney", "TLC", "Aguilera, Christina",
"Backstreet Boys, The", "Pink", "Destiny's Child")) %>%
pivot_longer(cols = starts_with("wk"),
names_to = "week",
values_to = "rank",
names_prefix = "wk",
values_drop_na = TRUE) %>%
mutate(week = factor(week, levels = 1:32)) %>%
ggplot() +
aes(x = week, y = rank, col = artist, group = track) +
geom_line()
- Q3.5: Erstellen Sie einen traditionell-phonetischen Formantplot (d.h. einen Scatterplot) mit dem Data Frame
vdata. Wählen Sie zuerst nur die Zeilen aus dem Data Frame aus, wo der VokalVentweder “A” oder “I” oder “U” ist. F2 gehört auf die x- und F1 auf die y-Achse. Farbkodieren Sie die Abbildung nach Vokal und erstellen Sie verschiedene Panels für die einzelnen VersuchspersonenSubj. Sorgen Sie zuletzt dafür, dass die Achsen jeweils umgedreht werden, also von hohen zu niedrigen Werten; nutzen Sie dafür die folgenden zwei Funktionen:scale_x_reverse()undscale_y_reverse().
vdata %>%
filter(V %in% c("A", "I", "U")) %>%
ggplot() +
aes(x = F2, y = F1, col = V) +
facet_wrap(~Subj) +
scale_x_reverse() +
scale_y_reverse() +
geom_point()
- Q3.6: Just for fun: Nutzen Sie die
hp...Data Frames, um sich ein paar magische Plots auszudenken!
hp <- inner_join(hp_names, hp_measures, by = "id") %>%
left_join(hp_looks, by = "id") %>%
left_join(hp_meta, by = "id") %>%
left_join(hp_wiz, by = "id")
hp %>%
filter(year != "2016") %>%
ggplot() +
aes(x = year, y = f0, col = name) +
geom_line(size = 1.2)## Warning: Removed 4 row(s) containing missing values (geom_path).
hp %>%
mutate(year = factor(year, levels = c(1991:1997, 2016))) %>%
filter(!is.na(f0)) %>%
ggplot() +
aes(x = year, y = f0, group = name) +
geom_line(size = 1.2) +
facet_wrap(~name)
hp %>%
filter(!is.na(eyeColour) & !is.na(house)) %>%
ggplot() +
aes(x = house, fill = eyeColour) +
geom_bar(position = "fill")
hp %>%
filter(!is.na(house) & !is.na(f0)) %>%
ggplot() +
aes(y = f0, fill = house) +
geom_boxplot() +
facet_wrap(~name)
hp %>%
filter(!is.na(house) & !is.na(f0)) %>%
ggplot() +
aes(y = f0, fill = gender) +
geom_boxplot()