Bölüm 7 Veri Düzenleme
Veri düzenleme, başlı başına üzerinde uzmanlaşılması gereken ayrı bir konudur. R’a aktarılan veriler ile analizler gerçekleştirmeden önce genellikle verinin düzenlenmesi gerekir. Bu düzenleme (manipülasyon) pek çok anlama gelebilir. Bu aşamada veri seti alt veri setlerine ayrılabilir, verinin bir bölümü seçilebilir, veri başka veriler ile birleştirilebilir… Veri düzenleme, veri analizi ve görselleştirme için önemli bir konu olduğu için pek çok kişi bu konuya kafa yormuştur ve R’da veri düzenleme yaparken kullanılmak üzere pek çok paket geliştirilmiştir. Bu bölümde Wickham, François, Henry, Müller ve Vaughan (2023) tarafından geliştirilmiş olan dplyr paketindeki fonksiyonlardan yararlanılacaktır. Bu kapsamlı ve oldukça kullanışlı paket hakkında detaylı bilgiye ulaşmak için buraya tıklayabilirsiniz.
Paketi indirmek için öncelikle install.packages("dplyr") komutunu çalıştırıyoruz, ardından aşağıdaki komut ile paketi çalışır hale getiriyoruz.
Örnek uygulama için bize bir veri seti lazım. Bu noktada ‘İçe ve Dışa Aktarma’ bölümünde gördüğümüz fonksiyonlardan yararlanarak internetteki bir veri setini içe aktaralım. Bu veri seti Türkiye’deki ilköğretim ve ortaöğretim öğrenci istatistiklerini içermektedir. 357 değişkenden ve 81 satırdan (iller) oluşmaktadır. Değişken isimleri ile ilgili açıklamalara buraya tıklayarak ulaşabilirsiniz.
library(readr)
TR_stu <- read_csv("https://raw.githubusercontent.com/gungorMetehan/TREduData/main/TREduData_student.csv")İndirilen veri seti, R’a TR_stu olarak kaydedilmiştir. Veri setine genel bir bakış atmak için glimpse() fonksiyonundan yararlanılabilir.
## Rows: 81
## Columns: 357
## $ gadm_L3number <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, …
## $ plate_number <dbl> 1, 2, 3, 4, 68, 5, 6, 7, 75, 8, 9, 10, 74, …
## $ province_upper <chr> "ADANA", "ADIYAMAN", "AFYONKARAHISAR", "AGR…
## $ NUTS_level1 <chr> "TR6", "TRC", "TR3", "TRA", "TR7", "TR8", "…
## $ NUTS_level1_name <chr> "Akdeniz", "Guneydogu Anadolu", "Ege", "Kuz…
## $ NUTS_level2 <chr> "TR62", "TRC1", "TR33", "TRA2", "TR71", "TR…
## $ metropolitan <dbl> 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 0…
## $ student_s_pre_m_21_22 <dbl> 22426, 8659, 6466, 6835, 3844, 3048, 38750,…
## $ student_s_pre_f_21_22 <dbl> 21309, 8078, 6157, 6514, 3536, 2931, 37294,…
## $ student_s_pre_total_21_22 <dbl> 43735, 16737, 12623, 13349, 7380, 5979, 760…
## $ student_p_pre_m_21_22 <dbl> 4215, 766, 1066, 219, 584, 656, 19411, 1009…
## $ student_p_pre_f_21_22 <dbl> 3557, 583, 920, 232, 437, 545, 16747, 8675,…
## $ student_p_pre_total_21_22 <dbl> 7772, 1349, 1986, 451, 1021, 1201, 36158, 1…
## $ student_pre_total_21_22 <dbl> 51507, 18086, 14609, 13800, 8401, 7180, 112…
## $ student_s_pre_m_20_21 <dbl> 13712, 5955, 5017, 5733, 3554, 2498, 20326,…
## $ student_s_pre_f_20_21 <dbl> 12587, 5578, 4673, 5328, 3309, 2306, 19057,…
## $ student_s_pre_total_20_21 <dbl> 26299, 11533, 9690, 11061, 6863, 4804, 3938…
## $ student_p_pre_m_20_21 <dbl> 2441, 278, 586, 94, 291, 279, 10256, 5700, …
## $ student_p_pre_f_20_21 <dbl> 2048, 209, 524, 100, 258, 229, 8556, 5025, …
## $ student_p_pre_total_20_21 <dbl> 4489, 487, 1110, 194, 549, 508, 18812, 1072…
## $ student_pre_total_20_21 <dbl> 30788, 12020, 10800, 11255, 7412, 5312, 581…
## $ student_s_pre_m_19_20 <dbl> 19912, 6443, 5993, 5973, 3541, 3117, 37221,…
## $ student_s_pre_f_19_20 <dbl> 18399, 6140, 5640, 5725, 3422, 2819, 35194,…
## $ student_s_pre_total_19_20 <dbl> 38311, 12583, 11633, 11698, 6963, 5936, 724…
## $ student_p_pre_m_19_20 <dbl> 3272, 516, 680, 111, 331, 423, 15127, 8071,…
## $ student_p_pre_f_19_20 <dbl> 2796, 461, 611, 121, 302, 376, 13316, 7016,…
## $ student_p_pre_total_19_20 <dbl> 6068, 977, 1291, 232, 633, 799, 28443, 1508…
## $ student_pre_total_19_20 <dbl> 44379, 13560, 12924, 11930, 7596, 6735, 100…
## $ student_s_pre_m_18_19 <dbl> 19789, 6753, 6098, 6299, 3598, 3019, 34095,…
## $ student_s_pre_f_18_19 <dbl> 18196, 6104, 5605, 5799, 3358, 2784, 31968,…
## $ student_s_pre_total_18_19 <dbl> 37985, 12857, 11703, 12098, 6956, 5803, 660…
## $ student_p_pre_m_18_19 <dbl> 3166, 314, 660, 114, 300, 376, 13545, 6663,…
## $ student_p_pre_f_18_19 <dbl> 2676, 283, 548, 86, 261, 315, 12145, 5961, …
## $ student_p_pre_total_18_19 <dbl> 5842, 597, 1208, 200, 561, 691, 25690, 1262…
## $ student_pre_total_18_19 <dbl> 43827, 13454, 12911, 12298, 7517, 6494, 917…
## $ student_s_pre_m_17_18 <dbl> 19202, 6494, 5898, 6151, 3678, 3082, 32103,…
## $ student_s_pre_f_17_18 <dbl> 17816, 5988, 5436, 5650, 3404, 2856, 30025,…
## $ student_s_pre_total_17_18 <dbl> 37018, 12482, 11334, 11801, 7082, 5938, 621…
## $ student_p_pre_m_17_18 <dbl> 2881, 304, 570, 61, 293, 324, 12818, 6003, …
## $ student_p_pre_f_17_18 <dbl> 2487, 263, 540, 48, 291, 319, 11515, 5246, …
## $ student_p_pre_total_17_18 <dbl> 5368, 567, 1110, 109, 584, 643, 24333, 1124…
## $ student_pre_total_17_18 <dbl> 42386, 13049, 12444, 11910, 7666, 6581, 864…
## $ student_s_pre_m_16_17 <dbl> 18966, 5807, 5738, 4999, 3378, 2849, 30422,…
## $ student_s_pre_f_16_17 <dbl> 17284, 5325, 5143, 4483, 3247, 2606, 28017,…
## $ student_s_pre_total_16_17 <dbl> 36250, 11132, 10881, 9482, 6625, 5455, 5843…
## $ student_p_pre_m_16_17 <dbl> 2420, 314, 538, 61, 278, 265, 12137, 5200, …
## $ student_p_pre_f_16_17 <dbl> 2130, 238, 508, 67, 249, 219, 10586, 4397, …
## $ student_p_pre_total_16_17 <dbl> 4550, 552, 1046, 128, 527, 484, 22723, 9597…
## $ student_pre_total_16_17 <dbl> 40800, 11684, 11927, 9610, 7152, 5939, 8116…
## $ student_s_pre_m_15_16 <dbl> 16482, 5214, 5038, 4843, 3041, 2557, 27678,…
## $ student_s_pre_f_15_16 <dbl> 14778, 4610, 4682, 4382, 2979, 2344, 25243,…
## $ student_s_pre_total_15_16 <dbl> 31260, 9824, 9720, 9225, 6020, 4901, 52921,…
## $ student_p_pre_m_15_16 <dbl> 1962, 267, 508, 68, 302, 285, 10800, 5275, …
## $ student_p_pre_f_15_16 <dbl> 1733, 225, 444, 61, 271, 244, 9533, 4576, 3…
## $ student_p_pre_total_15_16 <dbl> 3695, 492, 952, 129, 573, 529, 20333, 9851,…
## $ student_pre_total_15_16 <dbl> 34955, 10316, 10672, 9354, 6593, 5430, 7325…
## $ student_s_pre_m_14_15 <dbl> 14929, 4973, 4745, 4847, 3586, 2683, 19689,…
## $ student_s_pre_f_14_15 <dbl> 13356, 4615, 4322, 4485, 3203, 2443, 17756,…
## $ student_s_pre_total_14_15 <dbl> 28285, 9588, 9067, 9332, 6789, 5126, 37445,…
## $ student_p_pre_m_14_15 <dbl> 1169, 229, 411, 78, 176, 225, 1966, 10060, …
## $ student_p_pre_f_14_15 <dbl> 1033, 207, 362, 61, 153, 166, 1801, 9197, 4…
## $ student_p_pre_total_14_15 <dbl> 2202, 436, 773, 139, 329, 391, 3767, 19257,…
## $ student_pre_total_14_15 <dbl> 30487, 10024, 9840, 9471, 7118, 5517, 41212…
## $ student_s_pre_m_13_14 <dbl> 13915, 4564, 4628, 4468, 2774, 3082, 25893,…
## $ student_s_pre_f_13_14 <dbl> 12504, 4280, 4261, 3996, 2459, 2783, 23592,…
## $ student_s_pre_total_13_14 <dbl> 26419, 8844, 8889, 8464, 5233, 5865, 49485,…
## $ student_p_pre_m_13_14 <dbl> 1451, 186, 302, 52, 201, 153, 8382, 3492, 1…
## $ student_p_pre_f_13_14 <dbl> 1241, 166, 263, 40, 140, 143, 7773, 3182, 2…
## $ student_p_pre_total_13_14 <dbl> 2692, 352, 565, 92, 341, 296, 16155, 6674, …
## $ student_pre_total_13_14 <dbl> 29111, 9196, 9454, 8556, 5574, 6161, 65640,…
## $ student_s_pre_m_12_13 <dbl> 13603, 4970, 5074, 3932, 2901, 2973, 26462,…
## $ student_s_pre_f_12_13 <dbl> 12505, 4781, 4668, 3666, 2653, 2720, 24317,…
## $ student_s_pre_total_12_13 <dbl> 26108, 9751, 9742, 7598, 5554, 5693, 50779,…
## $ student_p_pre_m_12_13 <dbl> 1510, 130, 258, 45, 162, 129, 8069, 3070, 1…
## $ student_p_pre_f_12_13 <dbl> 1304, 133, 219, 27, 130, 146, 7472, 2831, 3…
## $ student_p_pre_total_12_13 <dbl> 2814, 263, 477, 72, 292, 275, 15541, 5901, …
## $ student_pre_total_12_13 <dbl> 28922, 10014, 10219, 7670, 5846, 5968, 6632…
## $ student_s_ele_m_21_22 <dbl> 84590, 25507, 21482, 24321, 13510, 8213, 14…
## $ student_s_ele_f_21_22 <dbl> 79911, 24008, 20148, 22980, 12926, 7544, 14…
## $ student_s_ele_total_21_22 <dbl> 164501, 49515, 41630, 47301, 26436, 15757, …
## $ student_p_ele_m_21_22 <dbl> 3322, 478, 542, 213, 425, 462, 19987, 7105,…
## $ student_p_ele_f_21_22 <dbl> 3068, 457, 527, 216, 374, 422, 18290, 6693,…
## $ student_p_ele_total_21_22 <dbl> 6390, 935, 1069, 429, 799, 884, 38277, 1379…
## $ student_ele_total_21_22 <dbl> 170891, 50450, 42699, 47730, 27235, 16641, …
## $ student_s_ele_m_20_21 <dbl> 83496, 25316, 21364, 25121, 13489, 8171, 14…
## $ student_s_ele_f_20_21 <dbl> 78811, 23695, 19972, 23576, 12912, 7529, 13…
## $ student_s_ele_total_20_21 <dbl> 162307, 49011, 41336, 48697, 26401, 15700, …
## $ student_p_ele_m_20_21 <dbl> 2933, 375, 456, 157, 347, 423, 17447, 5945,…
## $ student_p_ele_f_20_21 <dbl> 2678, 329, 440, 167, 318, 411, 16150, 5540,…
## $ student_p_ele_total_20_21 <dbl> 5611, 704, 896, 324, 665, 834, 33597, 11485…
## $ student_ele_total_20_21 <dbl> 167918, 49715, 42232, 49021, 27066, 16534, …
## $ student_s_ele_m_19_20 <dbl> 82441, 25027, 21275, 25442, 13498, 8012, 14…
## $ student_s_ele_f_19_20 <dbl> 77673, 23319, 19873, 23844, 12965, 7600, 13…
## $ student_s_ele_total_19_20 <dbl> 160114, 48346, 41148, 49286, 26463, 15612, …
## $ student_p_ele_m_19_20 <dbl> 3011, 325, 436, 174, 315, 458, 17977, 6373,…
## $ student_p_ele_f_19_20 <dbl> 2740, 281, 448, 166, 274, 391, 16489, 5702,…
## $ student_p_ele_total_19_20 <dbl> 5751, 606, 884, 340, 589, 849, 34466, 12075…
## $ student_ele_total_19_20 <dbl> 165865, 48952, 42032, 49626, 27052, 16461, …
## $ student_s_ele_m_18_19 <dbl> 81089, 25063, 21165, 26573, 13657, 8172, 14…
## $ student_s_ele_f_18_19 <dbl> 76875, 23615, 19972, 25399, 12959, 7708, 13…
## $ student_s_ele_total_18_19 <dbl> 157964, 48678, 41137, 51972, 26616, 15880, …
## $ student_p_ele_m_18_19 <dbl> 2935, 273, 471, 184, 330, 421, 17206, 5917,…
## $ student_p_ele_f_18_19 <dbl> 2702, 207, 451, 142, 269, 369, 15798, 5194,…
## $ student_p_ele_total_18_19 <dbl> 5637, 480, 922, 326, 599, 790, 33004, 11111…
## $ student_ele_total_18_19 <dbl> 163601, 49158, 42059, 52298, 27215, 16670, …
## $ student_s_ele_m_17_18 <dbl> 77503, 25137, 20584, 26643, 13352, 8179, 13…
## $ student_s_ele_f_17_18 <dbl> 73499, 23780, 19459, 25257, 12682, 7691, 13…
## $ student_s_ele_total_17_18 <dbl> 151002, 48917, 40043, 51900, 26034, 15870, …
## $ student_p_ele_m_17_18 <dbl> 2736, 241, 467, 180, 319, 341, 16078, 5140,…
## $ student_p_ele_f_17_18 <dbl> 2486, 176, 378, 126, 253, 297, 14688, 4467,…
## $ student_p_ele_total_17_18 <dbl> 5222, 417, 845, 306, 572, 638, 30766, 9607,…
## $ student_ele_total_17_18 <dbl> 156224, 49334, 40888, 52206, 26606, 16508, …
## $ student_s_ele_m_16_17 <dbl> 73890, 24417, 20457, 27028, 13069, 8129, 13…
## $ student_s_ele_f_16_17 <dbl> 70070, 23489, 19488, 25770, 12441, 7645, 12…
## $ student_s_ele_total_16_17 <dbl> 143960, 47906, 39945, 52798, 25510, 15774, …
## $ student_p_ele_m_16_17 <dbl> 2550, 195, 446, 173, 338, 249, 14899, 4546,…
## $ student_p_ele_f_16_17 <dbl> 2287, 156, 369, 143, 261, 216, 13561, 3951,…
## $ student_p_ele_total_16_17 <dbl> 4837, 351, 815, 316, 599, 465, 28460, 8497,…
## $ student_ele_total_16_17 <dbl> 148797, 48257, 40760, 53114, 26109, 16239, …
## $ student_s_ele_m_15_16 <dbl> 80169, 25482, 22257, 30614, 14196, 8561, 14…
## $ student_s_ele_f_15_16 <dbl> 76526, 24719, 21421, 29614, 13344, 8119, 13…
## $ student_s_ele_total_15_16 <dbl> 156695, 50201, 43678, 60228, 27540, 16680, …
## $ student_p_ele_m_15_16 <dbl> 2762, 240, 566, 256, 456, 366, 15891, 4886,…
## $ student_p_ele_f_15_16 <dbl> 2438, 207, 450, 202, 376, 332, 14319, 4242,…
## $ student_p_ele_total_15_16 <dbl> 5200, 447, 1016, 458, 832, 698, 30210, 9128…
## $ student_ele_total_15_16 <dbl> 161895, 50648, 44694, 60686, 28372, 17378, …
## $ student_s_ele_m_14_15 <dbl> 82482, 26164, 23139, 31533, 14177, 8833, 14…
## $ student_s_ele_f_14_15 <dbl> 78583, 25199, 22141, 30732, 13648, 8325, 14…
## $ student_s_ele_total_14_15 <dbl> 161065, 51363, 45280, 62265, 27825, 17158, …
## $ student_p_ele_m_14_15 <dbl> 2417, 248, 437, 254, 381, 343, 13866, 4093,…
## $ student_p_ele_f_14_15 <dbl> 2127, 201, 326, 214, 301, 289, 12578, 3665,…
## $ student_p_ele_total_14_15 <dbl> 4544, 449, 763, 468, 682, 632, 26444, 7758,…
## $ student_ele_total_14_15 <dbl> 165609, 51812, 46043, 62733, 28507, 17790, …
## $ student_s_ele_m_13_14 <dbl> 84194, 26759, 24760, 34227, 15800, 9168, 14…
## $ student_s_ele_f_13_14 <dbl> 80086, 25706, 23833, 34710, 15037, 8565, 14…
## $ student_s_ele_total_13_14 <dbl> 164280, 52465, 48593, 68937, 30837, 17733, …
## $ student_p_ele_m_13_14 <dbl> 2167, 234, 319, 199, 297, 344, 12156, 3787,…
## $ student_p_ele_f_13_14 <dbl> 1905, 209, 264, 169, 247, 272, 11131, 3298,…
## $ student_p_ele_total_13_14 <dbl> 4072, 443, 583, 368, 544, 616, 23287, 7085,…
## $ student_ele_total_13_14 <dbl> 168352, 52908, 49176, 69305, 31381, 18349, …
## $ student_s_ele_m_12_13 <dbl> 85344, 27510, 24978, 35928, 15753, 9423, 14…
## $ student_s_ele_f_12_13 <dbl> 80870, 26001, 23960, 36548, 14935, 8937, 14…
## $ student_s_ele_total_12_13 <dbl> 166214, 53511, 48938, 72476, 30688, 18360, …
## $ student_p_ele_m_12_13 <dbl> 1866, 221, 290, 187, 276, 347, 10644, 3471,…
## $ student_p_ele_f_12_13 <dbl> 1732, 160, 247, 144, 230, 280, 9682, 3019, …
## $ student_p_ele_total_12_13 <dbl> 3598, 381, 537, 331, 506, 627, 20326, 6490,…
## $ student_ele_total_12_13 <dbl> 169812, 53892, 49475, 72807, 31194, 18987, …
## $ student_s_mid_m_21_22 <dbl> 78408, 24187, 20847, 24620, 13286, 8290, 14…
## $ student_s_mid_f_21_22 <dbl> 75930, 23372, 19809, 23315, 12874, 7986, 13…
## $ student_s_mid_total_21_22 <dbl> 154338, 47559, 40656, 47935, 26160, 16276, …
## $ student_p_mid_m_21_22 <dbl> 4662, 659, 677, 175, 537, 461, 21157, 7645,…
## $ student_p_mid_f_21_22 <dbl> 4084, 506, 568, 157, 396, 433, 19288, 7148,…
## $ student_p_mid_total_21_22 <dbl> 8746, 1165, 1245, 332, 933, 894, 40445, 147…
## $ student_mid_total_21_22 <dbl> 163084, 48724, 41901, 48267, 27093, 17170, …
## $ student_s_mid_m_20_21 <dbl> 77061, 24105, 20742, 25803, 13231, 8265, 14…
## $ student_s_mid_f_20_21 <dbl> 74719, 23309, 19918, 24081, 12798, 7917, 13…
## $ student_s_mid_total_20_21 <dbl> 151780, 47414, 40660, 49884, 26029, 16182, …
## $ student_p_mid_m_20_21 <dbl> 4184, 559, 583, 180, 528, 437, 19166, 6744,…
## $ student_p_mid_f_20_21 <dbl> 3655, 421, 486, 158, 368, 394, 17356, 6200,…
## $ student_p_mid_total_20_21 <dbl> 7839, 980, 1069, 338, 896, 831, 36522, 1294…
## $ student_mid_total_20_21 <dbl> 159619, 48394, 41729, 50222, 26925, 17013, …
## $ student_s_mid_m_19_20 <dbl> 83630, 26118, 22744, 27846, 14524, 8916, 15…
## $ student_s_mid_f_19_20 <dbl> 81870, 25611, 22366, 26396, 13899, 8711, 15…
## $ student_s_mid_total_19_20 <dbl> 165500, 51729, 45110, 54242, 28423, 17627, …
## $ student_p_mid_m_19_20 <dbl> 4723, 533, 678, 230, 539, 498, 21319, 7968,…
## $ student_p_mid_f_19_20 <dbl> 4249, 414, 521, 181, 362, 434, 19051, 7078,…
## $ student_p_mid_total_19_20 <dbl> 8972, 947, 1199, 411, 901, 932, 40370, 1504…
## $ student_mid_total_19_20 <dbl> 174472, 52676, 46309, 54653, 29324, 18559, …
## $ student_s_mid_m_18_19 <dbl> 80484, 26317, 23095, 27991, 14455, 8928, 15…
## $ student_s_mid_f_18_19 <dbl> 78236, 25428, 22450, 26485, 14019, 8707, 14…
## $ student_s_mid_total_18_19 <dbl> 158720, 51745, 45545, 54476, 28474, 17635, …
## $ student_p_mid_m_18_19 <dbl> 4768, 424, 756, 195, 443, 502, 20150, 7395,…
## $ student_p_mid_f_18_19 <dbl> 4274, 331, 580, 157, 341, 424, 18110, 6569,…
## $ student_p_mid_total_18_19 <dbl> 9042, 755, 1336, 352, 784, 926, 38260, 1396…
## $ student_mid_total_18_19 <dbl> 167762, 52500, 46881, 54828, 29258, 18561, …
## $ student_s_mid_m_17_18 <dbl> 78959, 26172, 23442, 28502, 14531, 9027, 14…
## $ student_s_mid_f_17_18 <dbl> 76314, 25266, 22797, 27136, 13865, 8665, 14…
## $ student_s_mid_total_17_18 <dbl> 155273, 51438, 46239, 55638, 28396, 17692, …
## $ student_p_mid_m_17_18 <dbl> 4636, 352, 699, 207, 403, 494, 19435, 7037,…
## $ student_p_mid_f_17_18 <dbl> 4097, 263, 599, 155, 367, 405, 17312, 6226,…
## $ student_p_mid_total_17_18 <dbl> 8733, 615, 1298, 362, 770, 899, 36747, 1326…
## $ student_mid_total_17_18 <dbl> 164006, 52053, 47537, 56000, 29166, 18591, …
## $ student_s_mid_m_16_17 <dbl> 79476, 26306, 23494, 30313, 14371, 9269, 14…
## $ student_s_mid_f_16_17 <dbl> 76576, 25173, 22885, 29172, 13743, 9064, 14…
## $ student_s_mid_total_16_17 <dbl> 156052, 51479, 46379, 59485, 28114, 18333, …
## $ student_p_mid_m_16_17 <dbl> 4181, 312, 707, 242, 410, 394, 17558, 5720,…
## $ student_p_mid_f_16_17 <dbl> 3684, 216, 558, 150, 362, 328, 15711, 4996,…
## $ student_p_mid_total_16_17 <dbl> 7865, 528, 1265, 392, 772, 722, 33269, 1071…
## $ student_mid_total_16_17 <dbl> 163917, 52007, 47644, 59877, 28886, 19055, …
## $ student_s_mid_m_15_16 <dbl> 72875, 24269, 21771, 29253, 12905, 8792, 13…
## $ student_s_mid_f_15_16 <dbl> 70749, 23347, 20772, 28236, 12606, 8740, 13…
## $ student_s_mid_total_15_16 <dbl> 143624, 47616, 42543, 57489, 25511, 17532, …
## $ student_p_mid_m_15_16 <dbl> 3631, 258, 782, 283, 494, 451, 17145, 5262,…
## $ student_p_mid_f_15_16 <dbl> 3159, 190, 639, 188, 406, 422, 15287, 4694,…
## $ student_p_mid_total_15_16 <dbl> 6790, 448, 1421, 471, 900, 873, 32432, 9956…
## $ student_mid_total_15_16 <dbl> 150414, 48064, 43964, 57960, 26411, 18405, …
## $ student_s_mid_m_14_15 <dbl> 75263, 24728, 22286, 30496, 13233, 9170, 14…
## $ student_s_mid_f_14_15 <dbl> 73255, 23979, 21252, 29443, 12873, 9340, 14…
## $ student_s_mid_total_14_15 <dbl> 148518, 48707, 43538, 59939, 26106, 18510, …
## $ student_p_mid_m_14_15 <dbl> 2906, 283, 412, 287, 470, 419, 13612, 4233,…
## $ student_p_mid_f_14_15 <dbl> 2504, 211, 322, 185, 363, 365, 11828, 3639,…
## $ student_p_mid_total_14_15 <dbl> 5410, 494, 734, 472, 833, 784, 25440, 7872,…
## $ student_mid_total_14_15 <dbl> 153928, 49201, 44272, 60411, 26939, 19294, …
## $ student_s_mid_m_13_14 <dbl> 79379, 26424, 23390, 34603, 13957, 9729, 14…
## $ student_s_mid_f_13_14 <dbl> 77969, 25642, 22396, 34540, 13714, 9763, 14…
## $ student_s_mid_total_13_14 <dbl> 157348, 52066, 45786, 69143, 27671, 19492, …
## $ student_p_mid_m_13_14 <dbl> 2499, 306, 320, 202, 333, 481, 11917, 3733,…
## $ student_p_mid_f_13_14 <dbl> 2211, 221, 274, 136, 270, 344, 10383, 3186,…
## $ student_p_mid_total_13_14 <dbl> 4710, 527, 594, 338, 603, 825, 22300, 6919,…
## $ student_mid_total_13_14 <dbl> 162058, 52593, 46380, 69481, 28274, 20317, …
## $ student_s_mid_m_12_13 <dbl> 81243, 27248, 24152, 33915, 14478, 10233, 1…
## $ student_s_mid_f_12_13 <dbl> 79282, 26472, 23210, 32630, 14113, 10190, 1…
## $ student_s_mid_total_12_13 <dbl> 160525, 53720, 47362, 66545, 28591, 20423, …
## $ student_p_mid_m_12_13 <dbl> 2167, 256, 314, 166, 352, 495, 10598, 3368,…
## $ student_p_mid_f_12_13 <dbl> 1863, 192, 255, 103, 293, 351, 9209, 2944, …
## $ student_p_mid_total_12_13 <dbl> 4030, 448, 569, 269, 645, 846, 19807, 6312,…
## $ student_mid_total_12_13 <dbl> 164555, 54168, 47931, 66814, 29236, 21269, …
## $ student_s_high_m_21_22 <dbl> 91003, 32854, 25157, 23627, 17125, 11716, 1…
## $ student_s_high_f_21_22 <dbl> 81765, 27687, 23505, 21277, 14673, 10621, 1…
## $ student_s_high_total_21_22 <dbl> 172768, 60541, 48662, 44904, 31798, 22337, …
## $ student_p_high_m_21_22 <dbl> 8873, 1725, 2128, 868, 1286, 607, 30119, 91…
## $ student_p_high_f_21_22 <dbl> 5541, 1006, 1013, 472, 774, 532, 26415, 790…
## $ student_p_high_total_21_22 <dbl> 14414, 2731, 3141, 1340, 2060, 1139, 56534,…
## $ student_high_total_21_22 <dbl> 187182, 63272, 51803, 46244, 33858, 23476, …
## $ student_s_high_m_20_21 <dbl> 83620, 29315, 24916, 21314, 16355, 11877, 1…
## $ student_s_high_f_20_21 <dbl> 78014, 25817, 23186, 20378, 13924, 10783, 1…
## $ student_s_high_total_20_21 <dbl> 161634, 55132, 48102, 41692, 30279, 22660, …
## $ student_p_high_m_20_21 <dbl> 9258, 1732, 2292, 812, 1462, 578, 27773, 83…
## $ student_p_high_f_20_21 <dbl> 5524, 928, 1122, 363, 793, 500, 24661, 7558…
## $ student_p_high_total_20_21 <dbl> 14782, 2660, 3414, 1175, 2255, 1078, 52434,…
## $ student_high_total_20_21 <dbl> 176416, 57792, 51516, 42867, 32534, 23738, …
## $ student_s_high_m_19_20 <dbl> 75085, 25508, 22469, 18953, 13194, 10511, 1…
## $ student_s_high_f_19_20 <dbl> 68263, 22566, 20306, 17913, 12154, 9697, 15…
## $ student_s_high_total_19_20 <dbl> 143348, 48074, 42775, 36866, 25348, 20208, …
## $ student_p_high_m_19_20 <dbl> 9500, 1754, 2236, 767, 1513, 659, 30704, 93…
## $ student_p_high_f_19_20 <dbl> 5966, 923, 1177, 365, 912, 527, 28036, 8904…
## $ student_p_high_total_19_20 <dbl> 15466, 2677, 3413, 1132, 2425, 1186, 58740,…
## $ student_high_total_19_20 <dbl> 158814, 50751, 46188, 37998, 27773, 21394, …
## $ student_s_high_m_18_19 <dbl> 75424, 25924, 22496, 19111, 14256, 10989, 1…
## $ student_s_high_f_18_19 <dbl> 67033, 22531, 20271, 17485, 12181, 10021, 1…
## $ student_s_high_total_18_19 <dbl> 142457, 48455, 42767, 36596, 26437, 21010, …
## $ student_p_high_m_18_19 <dbl> 10503, 1922, 2251, 944, 1563, 628, 33099, 9…
## $ student_p_high_f_18_19 <dbl> 7077, 991, 1231, 485, 974, 524, 29150, 8529…
## $ student_p_high_total_18_19 <dbl> 17580, 2913, 3482, 1429, 2537, 1152, 62249,…
## $ student_high_total_18_19 <dbl> 160037, 51368, 46249, 38025, 28974, 22162, …
## $ student_s_high_m_17_18 <dbl> 74725, 26381, 22477, 18917, 14293, 11431, 1…
## $ student_s_high_f_17_18 <dbl> 69224, 23244, 21570, 17290, 13064, 10865, 1…
## $ student_s_high_total_17_18 <dbl> 143949, 49625, 44047, 36207, 27357, 22296, …
## $ student_p_high_m_17_18 <dbl> 10748, 2077, 2211, 950, 1328, 603, 33482, 9…
## $ student_p_high_f_17_18 <dbl> 7331, 1064, 1249, 514, 897, 469, 29026, 828…
## $ student_p_high_total_17_18 <dbl> 18079, 3141, 3460, 1464, 2225, 1072, 62508,…
## $ student_high_total_17_18 <dbl> 162028, 52766, 47507, 37671, 29582, 23368, …
## $ student_s_high_m_16_17 <dbl> 78998, 27707, 24186, 19801, 15731, 11852, 1…
## $ student_s_high_f_16_17 <dbl> 70723, 24357, 21795, 17145, 13400, 11274, 1…
## $ student_s_high_total_16_17 <dbl> 149721, 52064, 45981, 36946, 29131, 23126, …
## $ student_p_high_m_16_17 <dbl> 9968, 1818, 1855, 695, 900, 558, 31227, 813…
## $ student_p_high_f_16_17 <dbl> 7156, 1020, 1103, 428, 790, 425, 27917, 785…
## $ student_p_high_total_16_17 <dbl> 17124, 2838, 2958, 1123, 1690, 983, 59144, …
## $ student_high_total_16_17 <dbl> 166845, 54902, 48939, 38069, 30821, 24109, …
## $ student_s_high_m_15_16 <dbl> 78488, 29263, 24014, 20453, 14020, 12073, 1…
## $ student_s_high_f_15_16 <dbl> 71503, 25755, 22032, 16958, 13363, 11474, 1…
## $ student_s_high_total_15_16 <dbl> 149991, 55018, 46046, 37411, 27383, 23547, …
## $ student_p_high_m_15_16 <dbl> 9133, 1329, 1369, 511, 819, 471, 28049, 731…
## $ student_p_high_f_15_16 <dbl> 7257, 890, 973, 349, 825, 431, 27734, 7645,…
## $ student_p_high_total_15_16 <dbl> 16390, 2219, 2342, 860, 1644, 902, 55783, 1…
## $ student_high_total_15_16 <dbl> 166381, 57237, 48388, 38271, 29027, 24449, …
## $ student_s_high_m_14_15 <dbl> 95898, 29475, 25219, 21517, 13594, 12370, 1…
## $ student_s_high_f_14_15 <dbl> 82766, 25885, 22000, 17222, 13198, 11619, 1…
## $ student_s_high_total_14_15 <dbl> 178664, 55360, 47219, 38739, 26792, 23989, …
## $ student_p_high_m_14_15 <dbl> 5426, 535, 651, 45, 368, 129, 15587, 3612, …
## $ student_p_high_f_14_15 <dbl> 4192, 358, 505, 27, 320, 109, 14191, 3829, …
## $ student_p_high_total_14_15 <dbl> 9618, 893, 1156, 72, 688, 238, 29778, 7441,…
## $ student_high_total_14_15 <dbl> 188282, 56253, 48375, 38811, 27480, 24227, …
## $ student_s_high_m_13_14 <dbl> 78077, 28436, 23053, 18890, 12829, 12287, 1…
## $ student_s_high_f_13_14 <dbl> 70105, 24706, 20592, 14085, 12223, 11270, 1…
## $ student_s_high_total_13_14 <dbl> 148182, 53142, 43645, 32975, 25052, 23557, …
## $ student_p_high_m_13_14 <dbl> 3795, 370, 391, 0, 332, 49, 12398, 2984, 0,…
## $ student_p_high_f_13_14 <dbl> 3245, 269, 348, 0, 287, 49, 11682, 3339, 0,…
## $ student_p_high_total_13_14 <dbl> 7040, 639, 739, 0, 619, 98, 24080, 6323, 0,…
## $ student_high_total_13_14 <dbl> 155222, 53781, 44384, 32975, 25671, 23655, …
## $ student_s_high_m_12_13 <dbl> 74747, 27084, 21157, 16629, 11556, 11941, 1…
## $ student_s_high_f_12_13 <dbl> 66812, 22980, 18302, 11551, 10901, 10653, 1…
## $ student_s_high_total_12_13 <dbl> 141559, 50064, 39459, 28180, 22457, 22594, …
## $ student_p_high_m_12_13 <dbl> 2453, 191, 219, 0, 237, 57, 9423, 2567, 0, …
## $ student_p_high_f_12_13 <dbl> 2282, 131, 179, 0, 184, 42, 8856, 2703, 0, …
## $ student_p_high_total_12_13 <dbl> 4735, 322, 398, 0, 421, 99, 18279, 5270, 0,…
## $ student_high_total_12_13 <dbl> 146294, 50386, 39857, 28180, 22878, 22693, …
## $ student_s_all_m_21_22 <dbl> 276427, 91207, 73952, 79403, 47765, 31267, …
## $ student_s_all_f_21_22 <dbl> 258915, 83145, 69619, 74086, 44009, 29082, …
## $ student_s_all_total_21_22 <dbl> 535342, 174352, 143571, 153489, 91774, 6034…
## $ student_p_all_m_21_22 <dbl> 21072, 3628, 4413, 1475, 2832, 2186, 90674,…
## $ student_p_all_f_21_22 <dbl> 16250, 2552, 3028, 1077, 1981, 1932, 80740,…
## $ student_p_all_total_21_22 <dbl> 37322, 6180, 7441, 2552, 4813, 4118, 171414…
## $ student_all_total_21_22 <dbl> 572664, 180532, 151012, 156041, 96587, 6446…
## $ student_s_all_m_20_21 <dbl> 257889, 84691, 72039, 77971, 46629, 30811, …
## $ student_s_all_f_20_21 <dbl> 244131, 78399, 67749, 73363, 42943, 28535, …
## $ student_s_all_total_20_21 <dbl> 502020, 163090, 139788, 151334, 89572, 5934…
## $ student_p_all_m_20_21 <dbl> 18816, 2944, 3917, 1243, 2628, 1717, 74642,…
## $ student_p_all_f_20_21 <dbl> 13905, 1887, 2572, 788, 1737, 1534, 66723, …
## $ student_p_all_total_20_21 <dbl> 32721, 4831, 6489, 2031, 4365, 3251, 141365…
## $ student_all_total_20_21 <dbl> 534741, 167921, 146277, 153365, 93937, 6259…
## $ student_s_all_m_19_20 <dbl> 261068, 83096, 72481, 78214, 44757, 30556, …
## $ student_s_all_f_19_20 <dbl> 246205, 77636, 68185, 73878, 42440, 28827, …
## $ student_s_all_total_19_20 <dbl> 507273, 160732, 140666, 152092, 87197, 5938…
## $ student_p_all_m_19_20 <dbl> 20506, 3128, 4030, 1282, 2698, 2038, 85127,…
## $ student_p_all_f_19_20 <dbl> 15751, 2079, 2757, 833, 1850, 1728, 76892, …
## $ student_p_all_total_19_20 <dbl> 36257, 5207, 6787, 2115, 4548, 3766, 162019…
## $ student_all_total_19_20 <dbl> 543530, 165939, 147453, 154207, 91745, 6314…
## $ student_s_all_m_18_19 <dbl> 256786, 84057, 72854, 79974, 45966, 31108, …
## $ student_s_all_f_18_19 <dbl> 240340, 77678, 68298, 75168, 42517, 29220, …
## $ student_s_all_total_18_19 <dbl> 497126, 161735, 141152, 155142, 88483, 6032…
## $ student_p_all_m_18_19 <dbl> 21372, 2933, 4138, 1437, 2636, 1927, 84000,…
## $ student_p_all_f_18_19 <dbl> 16729, 1812, 2810, 870, 1845, 1632, 75203, …
## $ student_p_all_total_18_19 <dbl> 38101, 4745, 6948, 2307, 4481, 3559, 159203…
## $ student_all_total_18_19 <dbl> 535227, 166480, 148100, 157449, 92964, 6388…
## $ student_s_all_m_17_18 <dbl> 250389, 84184, 72401, 80213, 45854, 31719, …
## $ student_s_all_f_17_18 <dbl> 236853, 78278, 69262, 75333, 43015, 30077, …
## $ student_s_all_total_17_18 <dbl> 487242, 162462, 141663, 155546, 88869, 6179…
## $ student_p_all_m_17_18 <dbl> 21001, 2974, 3947, 1398, 2343, 1762, 81813,…
## $ student_p_all_f_17_18 <dbl> 16401, 1766, 2766, 843, 1808, 1490, 72541, …
## $ student_p_all_total_17_18 <dbl> 37402, 4740, 6713, 2241, 4151, 3252, 154354…
## $ student_all_total_17_18 <dbl> 524644, 167202, 148376, 157787, 93020, 6504…
## $ student_s_all_m_16_17 <dbl> 251330, 84237, 73875, 82141, 46549, 32099, …
## $ student_s_all_f_16_17 <dbl> 234653, 78344, 69311, 76570, 42831, 30589, …
## $ student_s_all_total_16_17 <dbl> 485983, 162581, 143186, 158711, 89380, 6268…
## $ student_p_all_m_16_17 <dbl> 19119, 2639, 3546, 1171, 1926, 1466, 75821,…
## $ student_p_all_f_16_17 <dbl> 15257, 1630, 2538, 788, 1662, 1188, 67775, …
## $ student_p_all_total_16_17 <dbl> 34376, 4269, 6084, 1959, 3588, 2654, 143596…
## $ student_all_total_16_17 <dbl> 520359, 166850, 149270, 160670, 92968, 6534…
## $ student_s_all_m_15_16 <dbl> 248014, 84228, 73080, 85163, 44162, 31983, …
## $ student_s_all_f_15_16 <dbl> 233556, 78431, 68907, 79190, 42292, 30677, …
## $ student_s_all_total_15_16 <dbl> 481570, 162659, 141987, 164353, 86454, 6266…
## $ student_p_all_m_15_16 <dbl> 17488, 2094, 3225, 1118, 2071, 1573, 71885,…
## $ student_p_all_f_15_16 <dbl> 14587, 1512, 2506, 800, 1878, 1429, 66873, …
## $ student_p_all_total_15_16 <dbl> 32075, 3606, 5731, 1918, 3949, 3002, 138758…
## $ student_all_total_15_16 <dbl> 513645, 166265, 147718, 166271, 90403, 6566…
## $ student_s_all_m_14_15 <dbl> 268572, 85340, 75389, 88393, 44590, 33056, …
## $ student_s_all_f_14_15 <dbl> 247960, 79678, 69715, 81882, 42922, 31727, …
## $ student_s_all_total_14_15 <dbl> 516532, 165018, 145104, 170275, 87512, 6478…
## $ student_p_all_m_14_15 <dbl> 11918, 1295, 1911, 664, 1395, 1116, 45031, …
## $ student_p_all_f_14_15 <dbl> 9856, 977, 1515, 487, 1137, 929, 40398, 203…
## $ student_p_all_total_14_15 <dbl> 21774, 2272, 3426, 1151, 2532, 2045, 85429,…
## $ student_all_total_14_15 <dbl> 538306, 167290, 148530, 171426, 90044, 6682…
## $ student_s_all_m_13_14 <dbl> 255565, 86183, 75831, 92188, 45360, 34266, …
## $ student_s_all_f_13_14 <dbl> 240664, 80334, 71082, 87331, 43433, 32381, …
## $ student_s_all_total_13_14 <dbl> 496229, 166517, 146913, 179519, 88793, 6664…
## $ student_p_all_m_13_14 <dbl> 9912, 1096, 1332, 453, 1163, 1027, 44853, 1…
## $ student_p_all_f_13_14 <dbl> 8602, 865, 1149, 345, 944, 808, 40969, 1300…
## $ student_p_all_total_13_14 <dbl> 18514, 1961, 2481, 798, 2107, 1835, 85822, …
## $ student_all_total_13_14 <dbl> 514743, 168478, 149394, 180317, 90900, 6848…
## $ student_s_all_m_12_13 <dbl> 254937, 86812, 75361, 90404, 44688, 34570, …
## $ student_s_all_f_12_13 <dbl> 239469, 80234, 70140, 84395, 42602, 32500, …
## $ student_s_all_total_12_13 <dbl> 494406, 167046, 145501, 174799, 87290, 6707…
## $ student_p_all_m_12_13 <dbl> 7996, 798, 1081, 398, 1027, 1028, 38734, 12…
## $ student_p_all_f_12_13 <dbl> 7181, 616, 900, 274, 837, 819, 35219, 11497…
## $ student_p_all_total_12_13 <dbl> 15177, 1414, 1981, 672, 1864, 1847, 73953, …
## $ student_all_total_12_13 <dbl> 509583, 168460, 147482, 175471, 89154, 6891…Oldukça uzun bir liste geldi. Zaten çıktının başında da veri setinde 81 satırın (iller) ve 357 sütunun (değişkenler) bulunduğu bilgisi yer alıyor. Bu bölümde bu veri setinden yararlanacağız. Ancak öncesinde küçük bir düzenleme yapalım. Örneğin plaka numaraları (plate_number) değişkeni karakter tipinde görünüyor. Bunu faktör olarak değiştirmek gerekmektedir. Buna benzer şekilde diğer karakter türündeki değişkenler de aslında birer faktör. Aşağıdaki satır komutlarını çalıştırarak karakter türündeki tüm verileri faktöre çevirebiliriz.
Bu işlemin ardından son bir düzenleme daha yapmamız gerek. O da gadm_L3number ve metropolitan değişkenlerinin de faktöre dönüştürülmesi. Çünkü bu değişkenler R’a aktarılırken double tipinde aktarılmıştır. Bu düzenleme için aşağıdaki satır komutları çalıştırılabilir.
dplyr fonksiyonlarının ortak özelliklerini bilmek faydalı olabilir:
dplyr paketindeki fonksiyonları birbirine bağlamak için ‘pipe’ adı verilen bir bağlantı operatörü kullanılmaktadır. Eskiden bu operatör %>% şeklinde iken artık |> şeklinde kullanılmaktadır. Bu operatör ile soldaki veri ya da fonksiyonun çıktısı alınıp sağdaki işlemin yapılması istenir. Temelde, şu şekilde ifade edilebilir: x |> f(y) ifadesi f(x, y) anlamına gelir. Benzer şekilde x |> f(y) |> g(z) de g(f(x, y), z) anlamına gelir. Açıklamaları bir kenara bırakalım, operatör ile ne yapıldığını satır komutları üzerinden görelim.
## # A tibble: 30 × 357
## gadm_L3number plate_number province_upper NUTS_level1 NUTS_level1_name
## <fct> <dbl> <fct> <fct> <fct>
## 1 1 1 ADANA TR6 Akdeniz
## 2 7 6 ANKARA TR5 Bati Anadolu
## 3 8 7 ANTALYA TR6 Akdeniz
## 4 11 9 AYDIN TR3 Ege
## 5 12 10 BALIKESIR TR2 Bati Marmara
## 6 21 16 BURSA TR4 Dogu Marmara
## 7 25 20 DENIZLI TR3 Ege
## 8 26 21 DIYARBAKIR TRC Guneydogu Anadolu
## 9 31 25 ERZURUM TRA Kuzeydogu Anadolu
## 10 32 26 ESKISEHIR TR4 Dogu Marmara
## # ℹ 20 more rows
## # ℹ 352 more variables: NUTS_level2 <fct>, metropolitan <fct>,
## # student_s_pre_m_21_22 <dbl>, student_s_pre_f_21_22 <dbl>,
## # student_s_pre_total_21_22 <dbl>, student_p_pre_m_21_22 <dbl>,
## # student_p_pre_f_21_22 <dbl>, student_p_pre_total_21_22 <dbl>,
## # student_pre_total_21_22 <dbl>, student_s_pre_m_20_21 <dbl>,
## # student_s_pre_f_20_21 <dbl>, student_s_pre_total_20_21 <dbl>, …Hatırlayacağınız üzere veri setinde 81 satır vardı. metropolitan değişkeni büyükşehir olma durumunu göstermekte. Bu değerin 1 olduğu – yani büyükşehir – durumların filtrelenmesi için filter() fonksiyonundan yararlanılmıştır. Bu örnekte satır komutunun en solunda veri setinin adı bulunmakta, ardından |> operatörü ile bu veri setine ne yapılmasını istediğimizi göstermek için bağlantı kuruyoruz. Ardından filter() fonksiyonu ile satırları filtreledik. Bu komutlar çalıştırıldığında yeni bir veri seti çıktı olarak sunulacaktır. Ancak unutulmamalıdır ki, bu veri seti (sadece büyükşehirlerden oluşan) herhangi bir yere kaydedilmemiştir. Eğer bu çıktı (yeni veri seti) kaydedilmek isteniyorsa daha önce öğrendiğimiz gibi <- atama operatörü ile çıktıyı bir nesneye atayabiliriz.
7.1 filter() Fonksiyonu
filter() fonksiyonu adından da anlaşıldığı üzere filtreleme yapmak için kullanılır. Örneğin;
## # A tibble: 29 × 357
## gadm_L3number plate_number province_upper NUTS_level1 NUTS_level1_name
## <fct> <dbl> <fct> <fct> <fct>
## 1 1 1 ADANA TR6 Akdeniz
## 2 2 2 ADIYAMAN TRC Guneydogu Anadolu
## 3 7 6 ANKARA TR5 Bati Anadolu
## 4 8 7 ANTALYA TR6 Akdeniz
## 5 11 9 AYDIN TR3 Ege
## 6 12 10 BALIKESIR TR2 Bati Marmara
## 7 14 72 BATMAN TRC Guneydogu Anadolu
## 8 21 16 BURSA TR4 Dogu Marmara
## 9 25 20 DENIZLI TR3 Ege
## 10 26 21 DIYARBAKIR TRC Guneydogu Anadolu
## # ℹ 19 more rows
## # ℹ 352 more variables: NUTS_level2 <fct>, metropolitan <fct>,
## # student_s_pre_m_21_22 <dbl>, student_s_pre_f_21_22 <dbl>,
## # student_s_pre_total_21_22 <dbl>, student_p_pre_m_21_22 <dbl>,
## # student_p_pre_f_21_22 <dbl>, student_p_pre_total_21_22 <dbl>,
## # student_pre_total_21_22 <dbl>, student_s_pre_m_20_21 <dbl>,
## # student_s_pre_f_20_21 <dbl>, student_s_pre_total_20_21 <dbl>, …Bu komutlar çalıştırıldığında yeni bir veri seti oluşur ve bu veri seti yalnızca student_s_pre_total_21_22 değerinin 15000’den fazla olduğu satırları içerir (yani 2021-2022 eğitim yılında toplam devlet ana okulu öğrencisi sayısı 15000’den fazla olan şehirler).
> (büyüktür) işareti haricinde >= (büyük veya eşittir), < (küçüktür), <= (küçük veya eşittir), == (eşittir) ve != (eşit değildir) sınamaları da yapılabilir. Bu sınamalar birlikte de kullanılabilir. Örneğin;
## # A tibble: 3 × 357
## gadm_L3number plate_number province_upper NUTS_level1 NUTS_level1_name
## <fct> <dbl> <fct> <fct> <fct>
## 1 2 2 ADIYAMAN TRC Guneydogu Anadolu
## 2 14 72 BATMAN TRC Guneydogu Anadolu
## 3 71 73 SIRNAK TRC Guneydogu Anadolu
## # ℹ 352 more variables: NUTS_level2 <fct>, metropolitan <fct>,
## # student_s_pre_m_21_22 <dbl>, student_s_pre_f_21_22 <dbl>,
## # student_s_pre_total_21_22 <dbl>, student_p_pre_m_21_22 <dbl>,
## # student_p_pre_f_21_22 <dbl>, student_p_pre_total_21_22 <dbl>,
## # student_pre_total_21_22 <dbl>, student_s_pre_m_20_21 <dbl>,
## # student_s_pre_f_20_21 <dbl>, student_s_pre_total_20_21 <dbl>,
## # student_p_pre_m_20_21 <dbl>, student_p_pre_f_20_21 <dbl>, …Bu komutlar ile iki özelliği birlikte sağlayan satırlar istenmiştir. Yani toplam öğrenci sayısı 15000’in üzerinde olan büyükşehir olmayan şehirler. Yalnızca 3 şehir listelenecektir (& sembolü yerine | sembolünü koyarak işlemi tekrarlayınız, çıktının neden 77 satır içerdiği üzerine düşününüz).
%in% de oldukça kullanışlı bir semboldür. Aşağıdaki örneği inceleyiniz.
## # A tibble: 24 × 357
## gadm_L3number plate_number province_upper NUTS_level1 NUTS_level1_name
## <fct> <dbl> <fct> <fct> <fct>
## 1 2 2 ADIYAMAN TRC Guneydogu Anadolu
## 2 4 4 AGRI TRA Kuzeydogu Anadolu
## 3 9 75 ARDAHAN TRA Kuzeydogu Anadolu
## 4 14 72 BATMAN TRC Guneydogu Anadolu
## 5 15 69 BAYBURT TRA Kuzeydogu Anadolu
## 6 17 12 BINGOL TRB Ortadogu Anadolu
## 7 18 13 BITLIS TRB Ortadogu Anadolu
## 8 26 21 DIYARBAKIR TRC Guneydogu Anadolu
## 9 29 23 ELAZIG TRB Ortadogu Anadolu
## 10 30 24 ERZINCAN TRA Kuzeydogu Anadolu
## # ℹ 14 more rows
## # ℹ 352 more variables: NUTS_level2 <fct>, metropolitan <fct>,
## # student_s_pre_m_21_22 <dbl>, student_s_pre_f_21_22 <dbl>,
## # student_s_pre_total_21_22 <dbl>, student_p_pre_m_21_22 <dbl>,
## # student_p_pre_f_21_22 <dbl>, student_p_pre_total_21_22 <dbl>,
## # student_pre_total_21_22 <dbl>, student_s_pre_m_20_21 <dbl>,
## # student_s_pre_f_20_21 <dbl>, student_s_pre_total_20_21 <dbl>, …Burada NUTS_level1 (istatistiki bölge birimleri sınıflandırması – düzey 1) değişkeninde TRA, TRB ve TRC değerlerini içeren satırlar ekrana getirilecektir. Bu şehirler 24 tanedir.
7.2 arrange() Fonksiyonu
arrange() fonksiyonu ile satırların sıralaması düzenlenebilir. Örneğin, TR_stu isimli veri seti gadm_L3number değişkenine göre sıralanmıştır. Oysa biz bunu plakalara (plate_number) sıralı halde görmek isteyebilir, bu şekilde düzenlenmiş bir veri seti ile çalışmak isteyebiliriz. Bunun için;
## # A tibble: 81 × 357
## gadm_L3number plate_number province_upper NUTS_level1 NUTS_level1_name
## <fct> <dbl> <fct> <fct> <fct>
## 1 1 1 ADANA TR6 Akdeniz
## 2 2 2 ADIYAMAN TRC Guneydogu Anadolu
## 3 3 3 AFYONKARAHISAR TR3 Ege
## 4 4 4 AGRI TRA Kuzeydogu Anadolu
## 5 6 5 AMASYA TR8 Bati Karadeniz
## 6 7 6 ANKARA TR5 Bati Anadolu
## 7 8 7 ANTALYA TR6 Akdeniz
## 8 10 8 ARTVIN TR9 Dogu Karadeniz
## 9 11 9 AYDIN TR3 Ege
## 10 12 10 BALIKESIR TR2 Bati Marmara
## # ℹ 71 more rows
## # ℹ 352 more variables: NUTS_level2 <fct>, metropolitan <fct>,
## # student_s_pre_m_21_22 <dbl>, student_s_pre_f_21_22 <dbl>,
## # student_s_pre_total_21_22 <dbl>, student_p_pre_m_21_22 <dbl>,
## # student_p_pre_f_21_22 <dbl>, student_p_pre_total_21_22 <dbl>,
## # student_pre_total_21_22 <dbl>, student_s_pre_m_20_21 <dbl>,
## # student_s_pre_f_20_21 <dbl>, student_s_pre_total_20_21 <dbl>, …Sıralamanın 1’den 81’e doğru değil de tam tersi şekilde gitmesini istiyorsak, arrange() fonksiyonunu desc() fonksiyonu ile birlikte kullanabiliriz.
## # A tibble: 81 × 357
## gadm_L3number plate_number province_upper NUTS_level1 NUTS_level1_name
## <fct> <dbl> <fct> <fct> <fct>
## 1 27 81 DUZCE TR4 Dogu Marmara
## 2 64 80 OSMANIYE TR6 Akdeniz
## 3 48 79 KILIS TRC Guneydogu Anadolu
## 4 43 78 KARABUK TR8 Bati Karadeniz
## 5 79 77 YALOVA TR4 Dogu Marmara
## 6 38 76 IGDIR TRA Kuzeydogu Anadolu
## 7 9 75 ARDAHAN TRA Kuzeydogu Anadolu
## 8 13 74 BARTIN TR8 Bati Karadeniz
## 9 71 73 SIRNAK TRC Guneydogu Anadolu
## 10 14 72 BATMAN TRC Guneydogu Anadolu
## # ℹ 71 more rows
## # ℹ 352 more variables: NUTS_level2 <fct>, metropolitan <fct>,
## # student_s_pre_m_21_22 <dbl>, student_s_pre_f_21_22 <dbl>,
## # student_s_pre_total_21_22 <dbl>, student_p_pre_m_21_22 <dbl>,
## # student_p_pre_f_21_22 <dbl>, student_p_pre_total_21_22 <dbl>,
## # student_pre_total_21_22 <dbl>, student_s_pre_m_20_21 <dbl>,
## # student_s_pre_f_20_21 <dbl>, student_s_pre_total_20_21 <dbl>, …Kısaca arrange() fonksiyonu ile veri setindeki satırların sıraları değiştirilebilir. Bu sırada veri seti değişmez, yani bir filtreleme söz konusu değildir.
7.3 distinct() Fonksiyonu
distinct() fonksiyonu veri setinin satırlarındaki eşsiz (unique) değerleri listelemek için kullanılır. Örneğin TR_stu veri setimizde kaç tane istatistiki bölge birimleri bulunuyor, bunu görmek için aşağıdaki komutları çalıştırabiliriz.
## # A tibble: 12 × 1
## NUTS_level1_name
## <fct>
## 1 Akdeniz
## 2 Guneydogu Anadolu
## 3 Ege
## 4 Kuzeydogu Anadolu
## 5 Orta Anadolu
## 6 Bati Karadeniz
## 7 Bati Anadolu
## 8 Dogu Karadeniz
## 9 Bati Marmara
## 10 Dogu Marmara
## 11 Ortadogu Anadolu
## 12 IstanbulGörüldüğü üzere sonuç 12. distinct() fonksiyonu ilgili sütundaki değerleri inceler ve aynı olanlardan yalnızca bir tanesini (ilkini) ekrana getirir. Bu eşsizleştirme ile birlikte diğer sütunların kaybolduğunu fark etmişsinizdir. Bu sütunları da veri setinde tutmak istiyorsanız aşağıdaki komutları kullanabilirsiniz.
## # A tibble: 12 × 357
## gadm_L3number plate_number province_upper NUTS_level1 NUTS_level1_name
## <fct> <dbl> <fct> <fct> <fct>
## 1 1 1 ADANA TR6 Akdeniz
## 2 2 2 ADIYAMAN TRC Guneydogu Anadolu
## 3 3 3 AFYONKARAHISAR TR3 Ege
## 4 4 4 AGRI TRA Kuzeydogu Anadolu
## 5 5 68 AKSARAY TR7 Orta Anadolu
## 6 6 5 AMASYA TR8 Bati Karadeniz
## 7 7 6 ANKARA TR5 Bati Anadolu
## 8 10 8 ARTVIN TR9 Dogu Karadeniz
## 9 12 10 BALIKESIR TR2 Bati Marmara
## 10 16 11 BILECIK TR4 Dogu Marmara
## 11 17 12 BINGOL TRB Ortadogu Anadolu
## 12 40 34 ISTANBUL TR1 Istanbul
## # ℹ 352 more variables: NUTS_level2 <fct>, metropolitan <fct>,
## # student_s_pre_m_21_22 <dbl>, student_s_pre_f_21_22 <dbl>,
## # student_s_pre_total_21_22 <dbl>, student_p_pre_m_21_22 <dbl>,
## # student_p_pre_f_21_22 <dbl>, student_p_pre_total_21_22 <dbl>,
## # student_pre_total_21_22 <dbl>, student_s_pre_m_20_21 <dbl>,
## # student_s_pre_f_20_21 <dbl>, student_s_pre_total_20_21 <dbl>,
## # student_p_pre_m_20_21 <dbl>, student_p_pre_f_20_21 <dbl>, …Bu durumda 12 satırın yanına veri setindeki tüm sütunlar eklenecektir. Ancak, başka herhangi bir işlem gerçekleştirilmediğini fark ediniz. Burada yalnızca 12 eşsiz NUTS_level1_name değeri listelenmekte ve bu değerlerin karşısındaki değerler yanlarına getirilmektedir. Tüm veri seti 81 satırdan oluşmakta idi. Yani, istatistiki bölgelerin kaç tane olduğundan habersiziz. Bu noktada count() fonksiyonu ile çakışmaların kaç adet olduğu listelenebilir.
## # A tibble: 12 × 2
## NUTS_level1_name n
## <fct> <int>
## 1 Akdeniz 8
## 2 Bati Anadolu 3
## 3 Bati Karadeniz 10
## 4 Bati Marmara 5
## 5 Dogu Karadeniz 6
## 6 Dogu Marmara 8
## 7 Ege 8
## 8 Guneydogu Anadolu 9
## 9 Istanbul 1
## 10 Kuzeydogu Anadolu 7
## 11 Orta Anadolu 8
## 12 Ortadogu Anadolu 87.4 mutate() Fonksiyonu
mutate() fonksiyonu ile veri setinde bulunan değişkenlerden veri seti için yeni değişkenler üretilebilir ve bu yeni değişkenler veri seti ile birleştirilebilir. Örneğin, TR_stu nesnesinde (veri setinde) yer alan 2021-2022 eğitim öğretim yılında devlet liselerinde eğitim gören erkek ve kız öğrencilerin toplam sayısı aşağıdaki komut ile hesaplanarak veri setine yeni bir değişken (toplam_devlet_lise) olarak eklenebilir.
Bu veri setinde aslında bu toplam değer vardır. İşlemin doğru olup olmadığını anlamak için identical() fonksiyonu ile iki vektörün eş olup olmadığını test edebiliriz.
identical(TR_stu3$toplam_devlet_lise, TR_stu$student_s_high_total_21_22)
Görüldüğü üzere (TRUE) TR_stu3’te yer alan yeni değişken ile uygulama verisinde yer alan değişken birebir aynıdır.
mutate() fonksiyonu ile ilgilendiğimiz değişkenin veri setindeki pozisyonunu da değiştirebiliriz. Bunun için .before ve .after argümanları kullanılır.
TR_stu |>
mutate(toplam_devlet_lise = student_s_high_m_21_22 + student_s_high_f_21_22,
.before = province_upper)## # A tibble: 81 × 358
## gadm_L3number plate_number toplam_devlet_lise province_upper NUTS_level1
## <fct> <dbl> <dbl> <fct> <fct>
## 1 1 1 172768 ADANA TR6
## 2 2 2 60541 ADIYAMAN TRC
## 3 3 3 48662 AFYONKARAHISAR TR3
## 4 4 4 44904 AGRI TRA
## 5 5 68 31798 AKSARAY TR7
## 6 6 5 22337 AMASYA TR8
## 7 7 6 360809 ANKARA TR5
## 8 8 7 176616 ANTALYA TR6
## 9 9 75 7611 ARDAHAN TRA
## 10 10 8 10091 ARTVIN TR9
## # ℹ 71 more rows
## # ℹ 353 more variables: NUTS_level1_name <fct>, NUTS_level2 <fct>,
## # metropolitan <fct>, student_s_pre_m_21_22 <dbl>,
## # student_s_pre_f_21_22 <dbl>, student_s_pre_total_21_22 <dbl>,
## # student_p_pre_m_21_22 <dbl>, student_p_pre_f_21_22 <dbl>,
## # student_p_pre_total_21_22 <dbl>, student_pre_total_21_22 <dbl>,
## # student_s_pre_m_20_21 <dbl>, student_s_pre_f_20_21 <dbl>, …Yeni üretilen değişken province_upper değişkeninin bir öncesine eklenmiştir.
TR_stu |>
mutate(toplam_devlet_lise = student_s_high_m_21_22 + student_s_high_f_21_22,
.after = NUTS_level1_name)## # A tibble: 81 × 358
## gadm_L3number plate_number province_upper NUTS_level1 NUTS_level1_name
## <fct> <dbl> <fct> <fct> <fct>
## 1 1 1 ADANA TR6 Akdeniz
## 2 2 2 ADIYAMAN TRC Guneydogu Anadolu
## 3 3 3 AFYONKARAHISAR TR3 Ege
## 4 4 4 AGRI TRA Kuzeydogu Anadolu
## 5 5 68 AKSARAY TR7 Orta Anadolu
## 6 6 5 AMASYA TR8 Bati Karadeniz
## 7 7 6 ANKARA TR5 Bati Anadolu
## 8 8 7 ANTALYA TR6 Akdeniz
## 9 9 75 ARDAHAN TRA Kuzeydogu Anadolu
## 10 10 8 ARTVIN TR9 Dogu Karadeniz
## # ℹ 71 more rows
## # ℹ 353 more variables: toplam_devlet_lise <dbl>, NUTS_level2 <fct>,
## # metropolitan <fct>, student_s_pre_m_21_22 <dbl>,
## # student_s_pre_f_21_22 <dbl>, student_s_pre_total_21_22 <dbl>,
## # student_p_pre_m_21_22 <dbl>, student_p_pre_f_21_22 <dbl>,
## # student_p_pre_total_21_22 <dbl>, student_pre_total_21_22 <dbl>,
## # student_s_pre_m_20_21 <dbl>, student_s_pre_f_20_21 <dbl>, …Yeni üretilen değişken NUTS_level1_name değişkeninin bir sonrasına eklenmiştir.
Bu fonksiyon ile aritmetik işlemler de yapılabilir. Örneğin, seçilen bir değişken 1000 sayısına bölünebilir (/) ya da değişkenin karesi (^2) alınabilir. Çıkarma işlemi (-) ya da toplama işlemi (+) yapılabilir.
7.5 select() Fonksiyonu
select() fonksiyonu ile bir veri setindeki ilgilenilen değişkenler seçilebilir. Örneğin;
## # A tibble: 81 × 3
## plate_number province_upper student_all_total_21_22
## <dbl> <fct> <dbl>
## 1 1 ADANA 572664
## 2 2 ADIYAMAN 180532
## 3 3 AFYONKARAHISAR 151012
## 4 4 AGRI 156041
## 5 68 AKSARAY 96587
## 6 5 AMASYA 64467
## 7 6 ANKARA 1176294
## 8 7 ANTALYA 557063
## 9 75 ARDAHAN 19781
## 10 8 ARTVIN 27896
## # ℹ 71 more rowsYukarıdaki komutlar çalıştırıldığında, 3 değişkenden oluşan daha küçük bir veri seti elde edilecektir. Bu veri seti plaka numaralarını, şehir adlarını ve 2021-2022 eğitim yılındaki tüm öğrencilerin sayılarını (devlet okulları ve özel okullar, ana okulundan lise sona kadar) verecektir.
Değişken isimlerinin arasında : konarak bir seçilen iki sütun arasındaki tüm sütunlar birlikte ele alınabilir.
## # A tibble: 81 × 5
## plate_number province_upper NUTS_level1 NUTS_level1_name NUTS_level2
## <dbl> <fct> <fct> <fct> <fct>
## 1 1 ADANA TR6 Akdeniz TR62
## 2 2 ADIYAMAN TRC Guneydogu Anadolu TRC1
## 3 3 AFYONKARAHISAR TR3 Ege TR33
## 4 4 AGRI TRA Kuzeydogu Anadolu TRA2
## 5 68 AKSARAY TR7 Orta Anadolu TR71
## 6 5 AMASYA TR8 Bati Karadeniz TR83
## 7 6 ANKARA TR5 Bati Anadolu TR51
## 8 7 ANTALYA TR6 Akdeniz TR61
## 9 75 ARDAHAN TRA Kuzeydogu Anadolu TRA2
## 10 8 ARTVIN TR9 Dogu Karadeniz TR90
## # ℹ 71 more rowsYukarıdaki satır komutları çalıştırıldığında plate_number’dan NUTS_level2’ye kadar olan tüm sütunlardan oluşan yeni bir veri seti üretilecektir.
## # A tibble: 81 × 352
## gadm_L3number metropolitan student_s_pre_m_21_22 student_s_pre_f_21_22
## <fct> <fct> <dbl> <dbl>
## 1 1 1 22426 21309
## 2 2 0 8659 8078
## 3 3 0 6466 6157
## 4 4 0 6835 6514
## 5 5 0 3844 3536
## 6 6 0 3048 2931
## 7 7 1 38750 37294
## 8 8 1 23178 21968
## 9 9 0 877 882
## 10 10 0 1590 1495
## # ℹ 71 more rows
## # ℹ 348 more variables: student_s_pre_total_21_22 <dbl>,
## # student_p_pre_m_21_22 <dbl>, student_p_pre_f_21_22 <dbl>,
## # student_p_pre_total_21_22 <dbl>, student_pre_total_21_22 <dbl>,
## # student_s_pre_m_20_21 <dbl>, student_s_pre_f_20_21 <dbl>,
## # student_s_pre_total_20_21 <dbl>, student_p_pre_m_20_21 <dbl>,
## # student_p_pre_f_20_21 <dbl>, student_p_pre_total_20_21 <dbl>, …İki değişken arasındaki değişkenler haricindeki diğer tüm değişkenleri seçmek için ise yukarıdaki satır komutlarını kullanabiliriz (! işareti R’da “değil” anlamında kullanılmaktadır).
select() fonksiyonu where() fonksiyonu ile birlikte kullanılan tek tipteki değişkenler seçilebilir.
## # A tibble: 81 × 6
## gadm_L3number province_upper NUTS_level1 NUTS_level1_name NUTS_level2
## <fct> <fct> <fct> <fct> <fct>
## 1 1 ADANA TR6 Akdeniz TR62
## 2 2 ADIYAMAN TRC Guneydogu Anadolu TRC1
## 3 3 AFYONKARAHISAR TR3 Ege TR33
## 4 4 AGRI TRA Kuzeydogu Anadolu TRA2
## 5 5 AKSARAY TR7 Orta Anadolu TR71
## 6 6 AMASYA TR8 Bati Karadeniz TR83
## 7 7 ANKARA TR5 Bati Anadolu TR51
## 8 8 ANTALYA TR6 Akdeniz TR61
## 9 9 ARDAHAN TRA Kuzeydogu Anadolu TRA2
## 10 10 ARTVIN TR9 Dogu Karadeniz TR90
## # ℹ 71 more rows
## # ℹ 1 more variable: metropolitan <fct>Bu özellikler dışında, select() fonksiyonuna yardımcı fonksiyonlardan oldukça yararlı olabilir. Örneğin starts_with() fonksiyonu ile ilk karakterleri bilinen değişkenlerden oluşan yeni bir veri seti yaratılabilir.
## # A tibble: 81 × 10
## student_all_total_21_22 student_all_total_20_21 student_all_total_19_20
## <dbl> <dbl> <dbl>
## 1 572664 534741 543530
## 2 180532 167921 165939
## 3 151012 146277 147453
## 4 156041 153365 154207
## 5 96587 93937 91745
## 6 64467 62597 63149
## 7 1176294 1109534 1135233
## 8 557063 520722 527756
## 9 19781 19307 19324
## 10 27896 27257 27491
## # ℹ 71 more rows
## # ℹ 7 more variables: student_all_total_18_19 <dbl>,
## # student_all_total_17_18 <dbl>, student_all_total_16_17 <dbl>,
## # student_all_total_15_16 <dbl>, student_all_total_14_15 <dbl>,
## # student_all_total_13_14 <dbl>, student_all_total_12_13 <dbl>Yukarıdaki satır komutları çalıştırıldığında değişken ismi student_all ile başlayan toplam öğrenci sayılarını içeren değişkenlerden oluşan yeni bir veri seti elde edilecektir. Bu özellikle TIMSS, PISA gibi geniş ölçekli veri setlerinde veri düzenleme için oldukça kullanışlıdır. Çünkü bu uygulamaların sonrasında paylaşılan veri setlerindeki değişken isimleri kodlar içermekte ve aynı kod ile başlayan değişkenler genellikle aynı yapı ile ilişkili olmaktadır.
Değişken isminin baş karakterleri haricinde son karakterleri ile ilgili bir işlem de yapmak gerekebilir.
## # A tibble: 81 × 35
## student_s_pre_m_21_22 student_s_pre_f_21_22 student_s_pre_total_21_22
## <dbl> <dbl> <dbl>
## 1 22426 21309 43735
## 2 8659 8078 16737
## 3 6466 6157 12623
## 4 6835 6514 13349
## 5 3844 3536 7380
## 6 3048 2931 5979
## 7 38750 37294 76044
## 8 23178 21968 45146
## 9 877 882 1759
## 10 1590 1495 3085
## # ℹ 71 more rows
## # ℹ 32 more variables: student_p_pre_m_21_22 <dbl>,
## # student_p_pre_f_21_22 <dbl>, student_p_pre_total_21_22 <dbl>,
## # student_pre_total_21_22 <dbl>, student_s_ele_m_21_22 <dbl>,
## # student_s_ele_f_21_22 <dbl>, student_s_ele_total_21_22 <dbl>,
## # student_p_ele_m_21_22 <dbl>, student_p_ele_f_21_22 <dbl>,
## # student_p_ele_total_21_22 <dbl>, student_ele_total_21_22 <dbl>, …Yukarıdaki satır komutu çalıştırıldığında, sonunda _21_22 karakterlerini içeren değişkenlerden oluşan yeni bir veri seti elde edilecektir. Bu veri seti yalnızca 2021-2022 eğitim yılına ilişkin verilerden oluşan bir alt veri setidir.
## # A tibble: 81 × 70
## student_s_ele_m_21_22 student_s_ele_f_21_22 student_s_ele_total_21_22
## <dbl> <dbl> <dbl>
## 1 84590 79911 164501
## 2 25507 24008 49515
## 3 21482 20148 41630
## 4 24321 22980 47301
## 5 13510 12926 26436
## 6 8213 7544 15757
## 7 147387 140462 287849
## 8 72208 67161 139369
## 9 2584 2357 4941
## 10 3732 3506 7238
## # ℹ 71 more rows
## # ℹ 67 more variables: student_p_ele_m_21_22 <dbl>,
## # student_p_ele_f_21_22 <dbl>, student_p_ele_total_21_22 <dbl>,
## # student_ele_total_21_22 <dbl>, student_s_ele_m_20_21 <dbl>,
## # student_s_ele_f_20_21 <dbl>, student_s_ele_total_20_21 <dbl>,
## # student_p_ele_m_20_21 <dbl>, student_p_ele_f_20_21 <dbl>,
## # student_p_ele_total_20_21 <dbl>, student_ele_total_20_21 <dbl>, …Yukarıdaki satır komutları ile de içinde ele karakterleri bulunan değişkenler seçilebilir. Bu örnek uygulamada elde edilen veri seti yalnızca ilkokul (elementary) verilerini içerecektir.
7.6 rename() Fonksiyonu
rename() fonksiyonu ile değişken isimleri değiştirilebilir. Basitçe, gadm_L3number değişkeninin ismini L3 olarak değiştirelim.
## # A tibble: 81 × 357
## L3 plate_number province_upper NUTS_level1 NUTS_level1_name NUTS_level2
## <fct> <dbl> <fct> <fct> <fct> <fct>
## 1 1 1 ADANA TR6 Akdeniz TR62
## 2 2 2 ADIYAMAN TRC Guneydogu Anadolu TRC1
## 3 3 3 AFYONKARAHISAR TR3 Ege TR33
## 4 4 4 AGRI TRA Kuzeydogu Anadolu TRA2
## 5 5 68 AKSARAY TR7 Orta Anadolu TR71
## 6 6 5 AMASYA TR8 Bati Karadeniz TR83
## 7 7 6 ANKARA TR5 Bati Anadolu TR51
## 8 8 7 ANTALYA TR6 Akdeniz TR61
## 9 9 75 ARDAHAN TRA Kuzeydogu Anadolu TRA2
## 10 10 8 ARTVIN TR9 Dogu Karadeniz TR90
## # ℹ 71 more rows
## # ℹ 351 more variables: metropolitan <fct>, student_s_pre_m_21_22 <dbl>,
## # student_s_pre_f_21_22 <dbl>, student_s_pre_total_21_22 <dbl>,
## # student_p_pre_m_21_22 <dbl>, student_p_pre_f_21_22 <dbl>,
## # student_p_pre_total_21_22 <dbl>, student_pre_total_21_22 <dbl>,
## # student_s_pre_m_20_21 <dbl>, student_s_pre_f_20_21 <dbl>,
## # student_s_pre_total_20_21 <dbl>, student_p_pre_m_20_21 <dbl>, …Birden fazla değişkenin ismi, tek tek isimleri girilerek değiştirilebilir.
## # A tibble: 81 × 357
## L3 plaka sehir NUTS_level1 NUTS_level1_name NUTS_level2 metropolitan
## <fct> <dbl> <fct> <fct> <fct> <fct> <fct>
## 1 1 1 ADANA TR6 Akdeniz TR62 1
## 2 2 2 ADIYAMAN TRC Guneydogu Anado… TRC1 0
## 3 3 3 AFYONKARAH… TR3 Ege TR33 0
## 4 4 4 AGRI TRA Kuzeydogu Anado… TRA2 0
## 5 5 68 AKSARAY TR7 Orta Anadolu TR71 0
## 6 6 5 AMASYA TR8 Bati Karadeniz TR83 0
## 7 7 6 ANKARA TR5 Bati Anadolu TR51 1
## 8 8 7 ANTALYA TR6 Akdeniz TR61 1
## 9 9 75 ARDAHAN TRA Kuzeydogu Anado… TRA2 0
## 10 10 8 ARTVIN TR9 Dogu Karadeniz TR90 0
## # ℹ 71 more rows
## # ℹ 350 more variables: student_s_pre_m_21_22 <dbl>,
## # student_s_pre_f_21_22 <dbl>, student_s_pre_total_21_22 <dbl>,
## # student_p_pre_m_21_22 <dbl>, student_p_pre_f_21_22 <dbl>,
## # student_p_pre_total_21_22 <dbl>, student_pre_total_21_22 <dbl>,
## # student_s_pre_m_20_21 <dbl>, student_s_pre_f_20_21 <dbl>,
## # student_s_pre_total_20_21 <dbl>, student_p_pre_m_20_21 <dbl>, …Görüldüğü üzere üç değişkenin ismi de değişmiştir.
7.7 group_by() Fonksiyonu
group_by() fonksiyonu veri setini değişkenlere göre gruplara ayırmaya yarar. Bu fonksiyon ile gruplara ayrılan veri sonrasında gruplara göre analiz edilebilir.
## # A tibble: 81 × 357
## # Groups: NUTS_level1_name [12]
## gadm_L3number plate_number province_upper NUTS_level1 NUTS_level1_name
## <fct> <dbl> <fct> <fct> <fct>
## 1 1 1 ADANA TR6 Akdeniz
## 2 2 2 ADIYAMAN TRC Guneydogu Anadolu
## 3 3 3 AFYONKARAHISAR TR3 Ege
## 4 4 4 AGRI TRA Kuzeydogu Anadolu
## 5 5 68 AKSARAY TR7 Orta Anadolu
## 6 6 5 AMASYA TR8 Bati Karadeniz
## 7 7 6 ANKARA TR5 Bati Anadolu
## 8 8 7 ANTALYA TR6 Akdeniz
## 9 9 75 ARDAHAN TRA Kuzeydogu Anadolu
## 10 10 8 ARTVIN TR9 Dogu Karadeniz
## # ℹ 71 more rows
## # ℹ 352 more variables: NUTS_level2 <fct>, metropolitan <fct>,
## # student_s_pre_m_21_22 <dbl>, student_s_pre_f_21_22 <dbl>,
## # student_s_pre_total_21_22 <dbl>, student_p_pre_m_21_22 <dbl>,
## # student_p_pre_f_21_22 <dbl>, student_p_pre_total_21_22 <dbl>,
## # student_pre_total_21_22 <dbl>, student_s_pre_m_20_21 <dbl>,
## # student_s_pre_f_20_21 <dbl>, student_s_pre_total_20_21 <dbl>, …Yukarıdaki satır komutları çalıştırıldığında veri, istatistiki bölge birimlerine (düzey 1) göre gruplandırılacaktır. Veri setinde herhangi bir değişiklik olmadığını fark etmiş olabilirsiniz. Ancak, R’ın verdiği çıktıda Groups: NUTS_level1_name [12] yazacaktır. Bu, verinin 12 gruba ayrıldığını göstermektedir. Gerçekten de veri setinde 12 istatistiki bölge birimi bulunmaktadır. Bu fonksiyonun işlevi, diğer fonksiyonlarla birleştirildiğinde daha anlamlı görünebilir. Bu nedenle bu fonksiyon, sonraki başlıklarda tekrar ele alınacaktır.
7.8 summarize() Fonksiyonu
summarize() fonksiyonu bir başka gruplama fonksiyonudur. Pek çok amaçla kullanılabilir. Örneğin;
## # A tibble: 12 × 2
## NUTS_level1_name ort_dev_anaokulu
## <fct> <dbl>
## 1 Akdeniz 9962.
## 2 Bati Anadolu 11090.
## 3 Bati Karadeniz 2545.
## 4 Bati Marmara 3608.
## 5 Dogu Karadeniz 2625.
## 6 Dogu Marmara 6178.
## 7 Ege 6501.
## 8 Guneydogu Anadolu 10147.
## 9 Istanbul 55870
## 10 Kuzeydogu Anadolu 2635
## 11 Orta Anadolu 3160.
## 12 Ortadogu Anadolu 4331.Yukarıdaki satır komutları çalıştırıldığında, önce veri NUTS_level1_name değişkenine göre gruplandırılacaktır (az önce örneklendirmiştik, 12 gruba ayrılacaktır). Ardından, 2020-2021 eğitim yılında devlet ana okullarında eğitim gören kız öğrencilerin sayısının ortalamasını bu bölgelere göre hesaplayacaktır. Sonuç olarak ise 12 satırlık bir veri sunacaktır. Bu veri setinde istatistiki bölge birimleri ve her bir istatistiki bölge birimindeki öğrenci sayısı ortalaması yer almaktadır. Tahmin edileceği üzere, mean() fonksiyonunun haricinde pek çok farklı fonksiyon kullanılabilir.
7.9 slice_*() Fonksiyonları
Pek çok slice_*() fonksiyonu bulunmaktadır. Bu fonksiyonlar, genel itibarıyla veriyi dilimlemeye yarar.
## # A tibble: 5 × 357
## gadm_L3number plate_number province_upper NUTS_level1 NUTS_level1_name
## <fct> <dbl> <fct> <fct> <fct>
## 1 1 1 ADANA TR6 Akdeniz
## 2 2 2 ADIYAMAN TRC Guneydogu Anadolu
## 3 3 3 AFYONKARAHISAR TR3 Ege
## 4 4 4 AGRI TRA Kuzeydogu Anadolu
## 5 5 68 AKSARAY TR7 Orta Anadolu
## # ℹ 352 more variables: NUTS_level2 <fct>, metropolitan <fct>,
## # student_s_pre_m_21_22 <dbl>, student_s_pre_f_21_22 <dbl>,
## # student_s_pre_total_21_22 <dbl>, student_p_pre_m_21_22 <dbl>,
## # student_p_pre_f_21_22 <dbl>, student_p_pre_total_21_22 <dbl>,
## # student_pre_total_21_22 <dbl>, student_s_pre_m_20_21 <dbl>,
## # student_s_pre_f_20_21 <dbl>, student_s_pre_total_20_21 <dbl>,
## # student_p_pre_m_20_21 <dbl>, student_p_pre_f_20_21 <dbl>, …## # A tibble: 3 × 357
## gadm_L3number plate_number province_upper NUTS_level1 NUTS_level1_name
## <fct> <dbl> <fct> <fct> <fct>
## 1 79 77 YALOVA TR4 Dogu Marmara
## 2 80 66 YOZGAT TR7 Orta Anadolu
## 3 81 67 ZONGULDAK TR8 Bati Karadeniz
## # ℹ 352 more variables: NUTS_level2 <fct>, metropolitan <fct>,
## # student_s_pre_m_21_22 <dbl>, student_s_pre_f_21_22 <dbl>,
## # student_s_pre_total_21_22 <dbl>, student_p_pre_m_21_22 <dbl>,
## # student_p_pre_f_21_22 <dbl>, student_p_pre_total_21_22 <dbl>,
## # student_pre_total_21_22 <dbl>, student_s_pre_m_20_21 <dbl>,
## # student_s_pre_f_20_21 <dbl>, student_s_pre_total_20_21 <dbl>,
## # student_p_pre_m_20_21 <dbl>, student_p_pre_f_20_21 <dbl>, …# veri setindeki bir değişkenin en küçük 3 değerini içeren satırları seçmek için
TR_stu |>
slice_min(student_pre_total_19_20, n = 3)## # A tibble: 3 × 357
## gadm_L3number plate_number province_upper NUTS_level1 NUTS_level1_name
## <fct> <dbl> <fct> <fct> <fct>
## 1 15 69 BAYBURT TRA Kuzeydogu Anadolu
## 2 76 62 TUNCELI TRB Ortadogu Anadolu
## 3 9 75 ARDAHAN TRA Kuzeydogu Anadolu
## # ℹ 352 more variables: NUTS_level2 <fct>, metropolitan <fct>,
## # student_s_pre_m_21_22 <dbl>, student_s_pre_f_21_22 <dbl>,
## # student_s_pre_total_21_22 <dbl>, student_p_pre_m_21_22 <dbl>,
## # student_p_pre_f_21_22 <dbl>, student_p_pre_total_21_22 <dbl>,
## # student_pre_total_21_22 <dbl>, student_s_pre_m_20_21 <dbl>,
## # student_s_pre_f_20_21 <dbl>, student_s_pre_total_20_21 <dbl>,
## # student_p_pre_m_20_21 <dbl>, student_p_pre_f_20_21 <dbl>, …# veri setindeki bir değişkenin en büyük 3 değerini içeren satırları seçmek için
TR_stu |>
slice_max(student_pre_total_19_20, n = 3)## # A tibble: 3 × 357
## gadm_L3number plate_number province_upper NUTS_level1 NUTS_level1_name
## <fct> <dbl> <fct> <fct> <fct>
## 1 40 34 ISTANBUL TR1 Istanbul
## 2 7 6 ANKARA TR5 Bati Anadolu
## 3 41 35 IZMIR TR3 Ege
## # ℹ 352 more variables: NUTS_level2 <fct>, metropolitan <fct>,
## # student_s_pre_m_21_22 <dbl>, student_s_pre_f_21_22 <dbl>,
## # student_s_pre_total_21_22 <dbl>, student_p_pre_m_21_22 <dbl>,
## # student_p_pre_f_21_22 <dbl>, student_p_pre_total_21_22 <dbl>,
## # student_pre_total_21_22 <dbl>, student_s_pre_m_20_21 <dbl>,
## # student_s_pre_f_20_21 <dbl>, student_s_pre_total_20_21 <dbl>,
## # student_p_pre_m_20_21 <dbl>, student_p_pre_f_20_21 <dbl>, …# veri setinden rastgele 4 satır seçmek için (her çalıştırmada farklı satırların seçilmesi mümkündür)
TR_stu |>
slice_sample(n = 4)## # A tibble: 4 × 357
## gadm_L3number plate_number province_upper NUTS_level1 NUTS_level1_name
## <fct> <dbl> <fct> <fct> <fct>
## 1 29 23 ELAZIG TRB Ortadogu Anadolu
## 2 80 66 YOZGAT TR7 Orta Anadolu
## 3 47 38 KAYSERI TR7 Orta Anadolu
## 4 6 5 AMASYA TR8 Bati Karadeniz
## # ℹ 352 more variables: NUTS_level2 <fct>, metropolitan <fct>,
## # student_s_pre_m_21_22 <dbl>, student_s_pre_f_21_22 <dbl>,
## # student_s_pre_total_21_22 <dbl>, student_p_pre_m_21_22 <dbl>,
## # student_p_pre_f_21_22 <dbl>, student_p_pre_total_21_22 <dbl>,
## # student_pre_total_21_22 <dbl>, student_s_pre_m_20_21 <dbl>,
## # student_s_pre_f_20_21 <dbl>, student_s_pre_total_20_21 <dbl>,
## # student_p_pre_m_20_21 <dbl>, student_p_pre_f_20_21 <dbl>, …7.10 Pipe (|>) Bağlantı Operatörü
Pipe (|>) bağlantı operatörü fonksiyonları birbirine bağlamak için kullanılan bir operatördür. Oldukça geniş bir kullanımı vardır. Bu bölümdeki örneklerden de fark ettiğiniz üzere, geleneksel kod yazımından oldukça farklıdır. Genellikle kod yazarken (Excel’de fonksiyon yazarken olduğu gibi) öncelikle en içteki fonksiyon işlevini yerine getirir, sonra onun dışındaki, sonra onun dışındaki… Bu şekilde devam eden yapı hemen hemen her programlama dilinde mevcuttur. Ancak, |> ile sağa doğru akan, sıralı bir fonksiyon yazımı ve fonksiyonların işlevini yerine getirmesi söz konusudur. Pek çok kişiye bu kodları okumak daha kolay geldiği için, bu bağlantı operatörü yaygın olarak kullanılmaktadır. Pek çok kaynakta bağlantı operatörünü %>% şeklinde görmüş olmanız mümkündür. Eskiden bu şekilde magrittr paketi aracılığı ile kullanılıyor idi ve klavyedeki kısa yol tuşu Ctrl + Shift + M idi. Ancak, Wickham ve arkadaşları (2023) artık |> kullanımını önermektedir. Bu şekilde kullanım daha kolay. Klavyedeki tuşlar ile bu iki sembol bir araya getirilebilir ya da Tools > Global Options... yolu izlenerek açılan Options (ayarlar) penceresinden pipe operatörünün kısa yol tuşu düzenlenebilir. Bunun için ayarlar penceresi açıldıktan sonra, Code bölümüne gelmeli ve Use native pipe operator seçeneğini işaretlemelisiniz. OK denildikten sonra, artık Ctrl + Shift + M kısa yol tuşları ile bu yeni operatörü kullanabilirsiniz.
Şimdiye kadar öğrendiğimiz, veri düzenlemede sıkça kullanılan birkaç fonksiyonu birlikte kullanarak bir veri düzenlemesi yapalım.
## # A tibble: 30 × 351
## plate_number student_s_pre_m_21_22 student_s_pre_f_21_22
## <dbl> <dbl> <dbl>
## 1 1 22426 21309
## 2 6 38750 37294
## 3 7 23178 21968
## 4 9 9907 9351
## 5 10 8433 8093
## 6 16 23234 21894
## 7 20 9313 8927
## 8 21 25021 23239
## 9 25 8613 8189
## 10 26 7041 6555
## # ℹ 20 more rows
## # ℹ 348 more variables: student_s_pre_total_21_22 <dbl>,
## # student_p_pre_m_21_22 <dbl>, student_p_pre_f_21_22 <dbl>,
## # student_p_pre_total_21_22 <dbl>, student_pre_total_21_22 <dbl>,
## # student_s_pre_m_20_21 <dbl>, student_s_pre_f_20_21 <dbl>,
## # student_s_pre_total_20_21 <dbl>, student_p_pre_m_20_21 <dbl>,
## # student_p_pre_f_20_21 <dbl>, student_p_pre_total_20_21 <dbl>, …Yukarıdaki satır komutları ile elde edilen yeni veri setine bakalım. Ardından, bu satır komutlarının sırası ile neleri gerçekleştirdiğini bulalım. En solda veri seti yer almaktadır. Ardından bir pipe operatörü kullanılarak bu veri seti ile bir şey yapılmasının istendiği R’a söylenmiştir. filter() fonksiyonu ile veri seti filtrelenmiştir. Burada yeni veri setinde yalnızca metropolitan değerinin 1 olduğu satırların olması istenmiştir (yani büyük şehir belediyesi olan şehirler). Satır komutları burada sonlansa idi, yalnızca büyük şehir verilerinden oluşan bir veri seti elde edilmiş olacaktı. Ancak bu satırın sonuna getirilen yeni bir pipe bağlantı operatörü ile yeni elde edilen veri seti üzerinde başka işlemler yapılması istenmiştir. select() fonksiyonu ile büyük şehir verilerini içeren yeni veri setindeki double türündeki nümerik veriler içeren değişkenlerin seçilmesi istenmiştir. Böylelikle, yalnızca büyük şehirlere ait sayısal değerler içeren bir veri seti oluşturulmuştur.
Bir başka örnek deneyelim.
TR_stu |>
filter(student_s_pre_total_21_22 > 10000 & metropolitan == 0) |>
select(plate_number:NUTS_level2) |>
rename(plaka = plate_number, sehir = province_upper) |>
arrange(plaka)## # A tibble: 8 × 5
## plaka sehir NUTS_level1 NUTS_level1_name NUTS_level2
## <dbl> <fct> <fct> <fct> <fct>
## 1 2 ADIYAMAN TRC Guneydogu Anadolu TRC1
## 2 3 AFYONKARAHISAR TR3 Ege TR33
## 3 4 AGRI TRA Kuzeydogu Anadolu TRA2
## 4 58 SIVAS TR7 Orta Anadolu TR72
## 5 60 TOKAT TR8 Bati Karadeniz TR83
## 6 72 BATMAN TRC Guneydogu Anadolu TRC3
## 7 73 SIRNAK TRC Guneydogu Anadolu TRC3
## 8 80 OSMANIYE TR6 Akdeniz TR63Yukarıdaki satır komutları ile elde edilen yeni veri setine bakalım. Ardından, bu satır komutlarının sırası ile neleri gerçekleştirdiğini bulalım. Burada öncelikle veri seti iki sınama ile filtrelenmiş. Buna göre 2021-2022 eğitim yılında devlet anaokulundaki öğrenci sayısı 10000’den büyük olan büyük şehir olmayan şehirlerin olduğu satırlardan oluşan bir veri seti elde edilmiştir. Ardından plate_number değişkeninden NUTS_level2 değişkenine kadar olan sütunların olduğu kısmı seçilmiştir. Sonrasında rename() fonksiyonu ile plate_number ve province_upper değişkenlerinin adı değiştirilmiştir. Ardından plaka değişkeninin (önceki ismi plate_number idi, burada dördüncü satırda ismi değiştirildi) değerlerinin küçükten büyüğe sıralandığı hali ile yeni bir veri seti sunulması istenmiştir. Bu nedenle 8 satırdan, 5 değişkenden oluşan bir veri seti elde edilmiştir.
7.11 Veri Setlerini Birleştirme (Join Fonksiyonları)
Sosyal bilimler alanında yürütülen çalışmaların veri toplama süreci sonunda elde edilen veri setleri bir karmaşa içinde olabilir. Bu veri setlerinin birleştirilmesi de ciddi bir uğraş haline gelebilir. Örneğin, boylamsal bir çalışmada deneklerden birkaçı ilk uygulamaya katılmamış olabilir, ancak ikinci uygulamaya katılmış olabilir. Bu durumda iki veri setindeki satır sayıları farklılaşabilir. Geniş çaplı bir çalışmada, veri toplayıcılar farklı olabilir ve veri girişi esnasında değişken isimlerini farklı şekillerde girmiş olabilirler. Bu verilerin R’da dplyr paketi yardımıyla nasıl birleştirilebileceğini, örneklerle görelim.
Öncelikle üzerinde çalışabileceğimiz üç ayrı veri seti oluşturalım. Bu veri setlerinde toplamda sekiz öğrenciye ilişkin veriler bulunmaktadır. Farklı sınıf düzeylerindeki öğrencilerin matematik okuryazarlığına ilişkin iki ölçüm ve sözel becerileriyle ilgili bir ölçüm alınmış olsun.
ogr_ID <- 1:6
sinif <- rep(7:8, 3)
matematik_O1 <- c(40, 40, 50, 80, 60, 40)
veri1 <- data.frame(ogr_ID, sinif, matematik_O1)
veri1## ogr_ID sinif matematik_O1
## 1 1 7 40
## 2 2 8 40
## 3 3 7 50
## 4 4 8 80
## 5 5 7 60
## 6 6 8 40ID <- 1:8
sinif <- c(7, 8, 7, 8, 7, NA, 7, 8)
matematik_O2 <- c(45, 45, 60, 80, 55, 45, 60, 60)
veri2 <- data.frame(ID, sinif, matematik_O2)
veri2## ID sinif matematik_O2
## 1 1 7 45
## 2 2 8 45
## 3 3 7 60
## 4 4 8 80
## 5 5 7 55
## 6 6 NA 45
## 7 7 7 60
## 8 8 8 60## ogr_ID sozel
## 1 1 100
## 2 2 90
## 3 3 90
## 4 4 80
## 5 5 80Görüldüğü üzere veri1’de 6 öğrenci bulunurken, veri2’de 8 öğrenci bulunmaktadır. Ancak ID’lerden anlaşıldığı üzere bu 6 öğrenci aynı öğrencilerdir. veri3 ise aynı öğrenciler ile ilgili farklı bilgilerin yer aldığı bir nesnedir.
7.11.1 inner_join()
Burada iki uygulamaya yer verilmiştir. Oluşturulan yeni_veri1 isimli nesne, veri1 ve veri2’nin birleşimi iken yeni_veri2 isimli nesne veri1, veri2 ve veri3’ün birleşiminden oluşmaktadır.
# iki veri setinin birleştirilmesi
yeni_veri1 <- veri1 |>
inner_join(veri2, by = c("ogr_ID" = "ID"))
yeni_veri1## ogr_ID sinif.x matematik_O1 sinif.y matematik_O2
## 1 1 7 40 7 45
## 2 2 8 40 8 45
## 3 3 7 50 7 60
## 4 4 8 80 8 80
## 5 5 7 60 7 55
## 6 6 8 40 NA 45# üç veri setinin birleştirilmesi
yeni_veri2 <- veri1 |>
inner_join(veri2, by = c("ogr_ID" = "ID")) |>
inner_join(veri3)## Joining with `by = join_by(ogr_ID)`## ogr_ID sinif.x matematik_O1 sinif.y matematik_O2 sozel
## 1 1 7 40 7 45 100
## 2 2 8 40 8 45 90
## 3 3 7 50 7 60 90
## 4 4 8 80 8 80 80
## 5 5 7 60 7 55 80yeniveri1 incelendiğinde görülecektir ki, inner_join() fonksiyonu iki veri setini ID değişkenine göre birleştirmekte (bu sırada ID değişkenindeki kesişimleri ele alır) ve her iki veri setindeki değişkenleri yeni nesneye aktarmaktadır.
yeniveri2 incelendiğinde görülecektir ki, üç veri seti birleştirilirken yine ID’lerin kesişimi ele alınmış ve tüm veri setlerindeki tüm değişkenler yeni veri nesnesine kaydedilmiştir.
7.11.2 left_join()
Burada iki uygulamaya yer verilmiştir. Oluşturulan yeni_veri3 isimli nesne, veri1 ve veri2’nin birleşimi iken yeni_veri4 isimli nesne veri1, veri2 ve veri3’ün birleşiminden oluşmaktadır.
# iki veri setinin birleştirilmesi
yeni_veri3 <- veri1 |>
left_join(veri2, by = c("ogr_ID" = "ID"))
yeni_veri3## ogr_ID sinif.x matematik_O1 sinif.y matematik_O2
## 1 1 7 40 7 45
## 2 2 8 40 8 45
## 3 3 7 50 7 60
## 4 4 8 80 8 80
## 5 5 7 60 7 55
## 6 6 8 40 NA 45# üç veri setinin birleştirilmesi
yeni_veri4 <- veri1 |>
left_join(veri2, by = c("ogr_ID" = "ID")) |>
left_join(veri3)## Joining with `by = join_by(ogr_ID)`## ogr_ID sinif.x matematik_O1 sinif.y matematik_O2 sozel
## 1 1 7 40 7 45 100
## 2 2 8 40 8 45 90
## 3 3 7 50 7 60 90
## 4 4 8 80 8 80 80
## 5 5 7 60 7 55 80
## 6 6 8 40 NA 45 NAyeni_veri3 incelendiğinde görülecektir ki, left_join() fonksiyonu iki veri setini ID değişkenine göre birleştirirken soldaki (ilk) veri setini göz önünde bulundurarak kesişimleri ele almış ve iki veri setindeki tüm değişkenleri yeni veri nesnesine kaydetmiştir.
yeni_veri4 incelendiğinde görülecektir ki, üç veri seti birleştirilirken yine ilk önce ID’lerin kesişimi ele alınmıştır. İkinci aşamada ise eldeki 6 öğrencilik veri seti öncelenmiş ve bu 6 öğrenci üzerinden veri setlerindeki tüm değişkenler yeni veri nesnesine kaydedilmiştir (Burada dikkat edilmesi gereken şudur: eğer veri3’ün eklenmesi durumunda doğrudan kesişim alınsa idi yeni veri setinde 5 öğrenciye ilişkin veri olması gerekirdi).
7.11.3 right_join()
Burada iki uygulamaya yer verilmiştir. Oluşturulan yeni_veri5 isimli nesne, veri1 ve veri2’nin birleşimi iken yeni_veri6 isimli nesne veri1, veri2 ve veri3’ün birleşiminden oluşmaktadır.
# iki veri setinin birleştirilmesi
yeni_veri5 <- veri1 |>
right_join(veri2, by = c("ogr_ID" = "ID"))
yeni_veri5## ogr_ID sinif.x matematik_O1 sinif.y matematik_O2
## 1 1 7 40 7 45
## 2 2 8 40 8 45
## 3 3 7 50 7 60
## 4 4 8 80 8 80
## 5 5 7 60 7 55
## 6 6 8 40 NA 45
## 7 7 NA NA 7 60
## 8 8 NA NA 8 60# üç veri setinin birleştirilmesi
yeni_veri6 <- veri1 |>
right_join(veri2, y = veri2, by = c("ogr_ID" = "ID")) |>
right_join(veri3)## Joining with `by = join_by(ogr_ID)`## ogr_ID sinif.x matematik_O1 sinif.y matematik_O2 sozel
## 1 1 7 40 7 45 100
## 2 2 8 40 8 45 90
## 3 3 7 50 7 60 90
## 4 4 8 80 8 80 80
## 5 5 7 60 7 55 80right_join() fonksiyonu, left_join() fonksiyonun soldan (ilk setten) başlayarak yaptığı işlemleri sağdan başlayarak gerçekleştirmektedir. Bu nedenle iki veri setinden ikinci sırada birleştirme işlemine alınan veri2’deki 8 öğrenciden oluşan yeni veri seti (yeni_veri5) görüntülenmektedir.
Üç veri setinin birleştirilmesi durumunda ise son aşamada veri3 ele alındığı için hem bu veri setindeki değişkenler, hem de 5 öğrenci öncelenmektedir.
7.11.4 full_join()
Burada iki uygulamaya yer verilmiştir. Oluşturulan yeni_veri7 isimli nesne, veri1 ve veri2’nin birleşimi iken yeni_veri8 isimli nesne veri1, veri2 ve veri3’ün birleşiminden oluşmaktadır.
# iki veri setinin birleştirilmesi
yeni_veri7 <- veri1 |>
full_join(veri2, by = c("ogr_ID" = "ID"))
yeni_veri7## ogr_ID sinif.x matematik_O1 sinif.y matematik_O2
## 1 1 7 40 7 45
## 2 2 8 40 8 45
## 3 3 7 50 7 60
## 4 4 8 80 8 80
## 5 5 7 60 7 55
## 6 6 8 40 NA 45
## 7 7 NA NA 7 60
## 8 8 NA NA 8 60# üç veri setinin birleştirilmesi
yeni_veri8 <- veri1 |>
full_join(veri2, y = veri2, by = c("ogr_ID" = "ID")) |>
full_join(veri3)## Joining with `by = join_by(ogr_ID)`## ogr_ID sinif.x matematik_O1 sinif.y matematik_O2 sozel
## 1 1 7 40 7 45 100
## 2 2 8 40 8 45 90
## 3 3 7 50 7 60 90
## 4 4 8 80 8 80 80
## 5 5 7 60 7 55 80
## 6 6 8 40 NA 45 NA
## 7 7 NA NA 7 60 NA
## 8 8 NA NA 8 60 NAfull_join() fonksiyonu ile veri setleri doğrudan birleştirilmektedir (kümelerdeki birleşim işlemi gibi). yeni_veri7 incelenecek olursa veri1 ve veri2’deki tüm verilerin birleştirildiği görülecektir. Bir veri setinde 8, diğerinde 6 öğrenci olduğu için satır sayısı eksik olan veri setindeki eksik gözlemler yerine NA (kayıp veri) ataması yapılmaktadır.
Üç veri seti birleştirilirken de yine aynı şekilde tüm değişkenler ve tüm satırlar yeni veri nesnesine kaydedilmektedir. Eksik olan gözlemler yerine NA ataması yapılmaktadır.
7.11.5 semi_join()
Burada tek uygulamaya yer verilmiştir. Oluşturulan yeni_veri9 isimli nesne, veri2 ve veri3’ün birleştirilmesi ile elde edilmiştir.
## ID sinif matematik_O2
## 1 1 7 45
## 2 2 8 45
## 3 3 7 60
## 4 4 8 80
## 5 5 7 55yeni_veri9 incelendiğinde görülecektir ki, semi_join() fonksiyonu soldaki (ilk) veri setinin değişkenlerini ele almakta ve birinci ve ikinci veri setlerindeki ID değişkenine göre kesişen elemanları listelemektedir.
7.11.6 anti_join()
Burada tek uygulamaya yer verilmiştir. Oluşturulan yeni_veri10 isimli nesne, veri2 ve veri3’ün birleştirilmesi ile elde edilmiştir.
## ID sinif matematik_O2
## 1 6 NA 45
## 2 7 7 60
## 3 8 8 60yeni_veri10 incelendiğinde görülecektir ki, anti_join() fonksiyonu yine soldaki (ilk) veri setinin değişkenlerini ele almakta ve birinci ve ikinci veri setlerindeki ID değişkenine göre kesişmeyen elemanları listelemektedir.
Veri Setlerini Birleştirme başlığı altında yer alan ilk dört fonksiyon (inner_join, left_join, right_join ve full_join) birleştirme (mutating) fonksiyonları olarak adlandırılırken, son iki fonksiyon (semi_join ve anti_join) filtreleme (filtering) fonksiyonları olarak adlandırılmaktadır. Gerçekten de ilk dört fonksiyon ile veri setleri birleştirilerek yeni setler oluşturulurken, son iki fonksiyon aracılığı ile bir çeşit filtreleme yapılmaktadır. Birleştirme fonksiyonları ile ilgili kapsamlı bilgiye buradan, filtreleme fonksiyonları ile ilgili kapsamlı bilgiye ise buradan erişebilirsiniz. Birleştirme fonksiyonlarının çalışma mantığının anlaşılması biraz zaman alabilir. Ancak, hepsinin birbirinden farklı bir amaca hizmet ettiğinin farkında olunmalıdır. Veri birleştirme yaptıktan sonra elde edilen yeni veri setinin incelenmesi önemlidir.
7.12 Alıştırmalar
Alıştırma 1 Aşağıda verilen linkte bulunan e-spor veri setiniread.csv() fonksiyonu yardımı ile R’a aktarınız ve nesnenin adını EF_team_stats olarak belirleyiniz.
Ardından filter() fonksiyonu yardımıyla 2023 yılındaki (year), maps_played değişkeninin 10’dan büyük olduğu durumları filtreleyerek yeni bir veri seti üretiniz.
Yanıt İçin Tıklayınız
EF_team_stats <- read.csv("https://raw.githubusercontent.com/gungorMetehan/EFData/main/EF_team_stats.csv")
EF_team_stats |>
filter(maps_played > 10 & year == 2023)## year match map maps_played wins draws losses total_kills total_deaths
## 1 2023 LAN Overpass 12 8 0 4 1022 988
## 2 2023 LAN Vertigo 21 15 0 6 1840 1762
## 3 2023 LAN Anubis 15 8 0 7 1280 1276
## 4 2023 Online Inferno 18 13 0 5 1702 1507
## 5 2023 Online Mirage 18 9 0 9 1568 1522
## 6 2023 Online Nuke 15 11 0 4 1389 1191
## 7 2023 Online Overpass 14 8 0 6 1165 1061
## 8 2023 Online Vertigo 21 11 0 10 1839 1839
## 9 2023 Online Anubis 29 17 0 12 2743 2596
## rounds_played K.D_ratio
## 1 307 1.03
## 2 555 1.04
## 3 393 1
## 4 508 1.13
## 5 461 1.03
## 6 394 1.17
## 7 341 1.1
## 8 551 1
## 9 810 1.06
## players_played
## 1 MAJ3R - XANTARES - woxic - Calyx - Wicadia - imoRR - xfl0ud
## 2 MAJ3R - XANTARES - woxic - Calyx - Wicadia - imoRR - xfl0ud
## 3 MAJ3R - XANTARES - woxic - Calyx - Wicadia - imoRR - xfl0ud
## 4 MAJ3R - XANTARES - woxic - Calyx - Wicadia - imoRR - xfl0ud
## 5 MAJ3R - XANTARES - woxic - Calyx - Wicadia - imoRR - xfl0ud
## 6 MAJ3R - XANTARES - woxic - Calyx - Wicadia - imoRR - xfl0ud
## 7 MAJ3R - XANTARES - woxic - Calyx - Wicadia - imoRR - xfl0ud
## 8 MAJ3R - XANTARES - woxic - Calyx - Wicadia - imoRR - xfl0ud - Fabre
## 9 MAJ3R - XANTARES - woxic - Calyx - Wicadia - imoRR - xfl0ud - FabreAlıştırma 2
Alıştırma 1’de içe aktarılan EF_team_stats nesnesinde (veri setinde) bulunan verileri rounds_played değişkenine göre büyükten küçüğe sıralayınız (Bunun için arrange() fonksiyonundan yararlanınız). Sonrasında ilk 5 satırı head() fonksiyonu yardımıyla yazdırınız.
Yanıt İçin Tıklayınız
## year match map maps_played wins draws losses total_kills total_deaths
## 1 2022 Online Nuke 37 25 0 12 3479 3191
## 2 2022 Online Inferno 35 23 0 12 3126 2868
## 3 2022 Online Vertigo 33 16 0 17 3178 2967
## 4 2021 Online Inferno 32 17 0 15 2652 2562
## 5 2023 Online Anubis 29 17 0 12 2743 2596
## rounds_played K.D_ratio
## 1 996 1.09
## 2 924 1.09
## 3 913 1.07
## 4 818 1.04
## 5 810 1.06
## players_played
## 1 MAJ3R - XANTARES - Calyx - imoRR - xfl0ud - mini - EMSTAR - paz - woxic
## 2 MAJ3R - XANTARES - Calyx - imoRR - xfl0ud - mini - EMSTAR - paz - woxic
## 3 MAJ3R - XANTARES - Calyx - imoRR - xfl0ud - duggy - mini - EMSTAR - paz - woxic
## 4 XANTARES - woxic - Calyx - imoRR - xfl0ud - ISSAA
## 5 MAJ3R - XANTARES - woxic - Calyx - Wicadia - imoRR - xfl0ud - FabreAlıştırma 3
Alıştırma 1’de içe aktarılan EF_team_stats veri setinde farklı haritada (map) maç oynandığını distinct() fonksiyonu yardımıyla bulunuz.
Yanıt İçin Tıklayınız
## map
## 1 Ancient
## 2 Dust2
## 3 Inferno
## 4 Mirage
## 5 Nuke
## 6 Overpass
## 7 Vertigo
## 8 Anubis
## 9 Cache
## 10 Cobblestone
## 11 Season
## 12 Train
## 13 TuscanAlıştırma 4
Alıştırma 1’de içe aktarılan EF_team_stats veri setindeki total_kills değerlerinin total_deaths değerlerinin bölümünden yeni bir değişken oluşturunuz, bu değişkene ratio ismini veriniz (Bunun için mutate fonksiyonundan yararlanınız). Sonrasında ilk 5 satırı head() fonksiyonu yardımıyla yazdırınız.
Yanıt İçin Tıklayınız
## year match map maps_played wins draws losses total_kills total_deaths
## 1 2021 Majors Ancient 0 0 0 0 0 0
## 2 2021 Majors Dust2 0 0 0 0 0 0
## 3 2021 Majors Inferno 0 0 0 0 0 0
## 4 2021 Majors Mirage 0 0 0 0 0 0
## 5 2021 Majors Nuke 0 0 0 0 0 0
## rounds_played K.D_ratio players_played ratio
## 1 0 - - NaN
## 2 0 - - NaN
## 3 0 - - NaN
## 4 0 - - NaN
## 5 0 - - NaNAlıştırma 5
Alıştırma 1’de içe aktarılan EF_team_stats veri setindeki year, wins, draws ve losses değişkenlerinden oluşan bir alt veri seti oluşturunuz (Bunun için select() fonksiyonundan yararlanınız). Sonrasında ilk 10 satırı head() fonksiyonu yardımıyla yazdırınız.
Yanıt İçin Tıklayınız
## year wins draws losses
## 1 2021 0 0 0
## 2 2021 0 0 0
## 3 2021 0 0 0
## 4 2021 0 0 0
## 5 2021 0 0 0
## 6 2021 0 0 0
## 7 2021 0 0 0
## 8 2021 0 0 0
## 9 2021 0 0 0
## 10 2021 0 0 0Alıştırma 6
Alıştırma 1’de içe aktarılan EF_team_stats veri setindeki map değişkeninin adını harita olarak değiştiriniz. Sonrasında ilk 12 satırı head() fonksiyonu yardımıyla yazdırınız.
Yanıt İçin Tıklayınız
## year match harita maps_played wins draws losses total_kills
## 1 2021 Majors Ancient 0 0 0 0 0
## 2 2021 Majors Dust2 0 0 0 0 0
## 3 2021 Majors Inferno 0 0 0 0 0
## 4 2021 Majors Mirage 0 0 0 0 0
## 5 2021 Majors Nuke 0 0 0 0 0
## 6 2021 Majors Overpass 0 0 0 0 0
## 7 2021 Majors Vertigo 0 0 0 0 0
## 8 2021 Majors Anubis 0 0 0 0 0
## 9 2021 Majors Cache 0 0 0 0 0
## 10 2021 Majors Cobblestone 0 0 0 0 0
## 11 2021 Majors Season 0 0 0 0 0
## 12 2021 Majors Train 0 0 0 0 0
## total_deaths rounds_played K.D_ratio players_played
## 1 0 0 - -
## 2 0 0 - -
## 3 0 0 - -
## 4 0 0 - -
## 5 0 0 - -
## 6 0 0 - -
## 7 0 0 - -
## 8 0 0 - -
## 9 0 0 - -
## 10 0 0 - -
## 11 0 0 - -
## 12 0 0 - -Alıştırma 7
Alıştırma 1’de içe aktarılan EF_team_stats veri setindeki verileri match değişkenine göre gruplandırınız.
Yanıt İçin Tıklayınız
## # A tibble: 156 × 12
## # Groups: match [4]
## year match map maps_played wins draws losses total_kills total_deaths
## <int> <chr> <chr> <int> <int> <int> <int> <int> <int>
## 1 2021 Majors Ancient 0 0 0 0 0 0
## 2 2021 Majors Dust2 0 0 0 0 0 0
## 3 2021 Majors Inferno 0 0 0 0 0 0
## 4 2021 Majors Mirage 0 0 0 0 0 0
## 5 2021 Majors Nuke 0 0 0 0 0 0
## 6 2021 Majors Overpass 0 0 0 0 0 0
## 7 2021 Majors Vertigo 0 0 0 0 0 0
## 8 2021 Majors Anubis 0 0 0 0 0 0
## 9 2021 Majors Cache 0 0 0 0 0 0
## 10 2021 Majors Cobbles… 0 0 0 0 0 0
## # ℹ 146 more rows
## # ℹ 3 more variables: rounds_played <int>, K.D_ratio <chr>,
## # players_played <chr>Alıştırma 8
Alıştırma 1’de içe aktarılan EF_team_stats veri setindeki verileri match değişkenine göre gruplandırınız. Ardından her bir match kategorisindeki maps_played değişkeninin değerlerinin toplamını bulunuz. Bu değişkene toplam ismini veriniz.
Yanıt İçin Tıklayınız
## # A tibble: 4 × 2
## match toplam
## <chr> <int>
## 1 Big Events 39
## 2 LAN 116
## 3 Majors 5
## 4 Online 435EF_team_stats veri setinin
rounds_played değişkeninin en düşük 3 değerinin bulunduğu satırları (çok sayıda değer 0 olduğu için üçten fazla satır elde edilecektir.)
rounds_played değişkeninin en yüksek 3 değerinin bulunduğu satırları
slice_*() fonksiyonlarından yararlanarak yazdırınız.
Yanıt İçin Tıklayınız
## year match map maps_played wins draws losses total_kills total_deaths
## 1 2021 Majors Ancient 0 0 0 0 0 0
## 2 2021 Majors Dust2 0 0 0 0 0 0
## 3 2021 Majors Inferno 0 0 0 0 0 0
## rounds_played K.D_ratio players_played
## 1 0 - -
## 2 0 - -
## 3 0 - -## year match map maps_played wins draws losses total_kills total_deaths
## 1 2023 Online Season 0 0 0 0 0 0
## 2 2023 Online Train 0 0 0 0 0 0
## 3 2023 Online Tuscan 0 0 0 0 0 0
## rounds_played K.D_ratio players_played
## 1 0 - -
## 2 0 - -
## 3 0 - -# rounds_played değişkeninin en düşük değer aldığı 3 satır (ancak üçten fazla satır elde edilecektir)
EF_team_stats |>
slice_min(rounds_played, n = 3)## year match map maps_played wins draws losses total_kills
## 1 2021 Majors Ancient 0 0 0 0 0
## 2 2021 Majors Dust2 0 0 0 0 0
## 3 2021 Majors Inferno 0 0 0 0 0
## 4 2021 Majors Mirage 0 0 0 0 0
## 5 2021 Majors Nuke 0 0 0 0 0
## 6 2021 Majors Overpass 0 0 0 0 0
## 7 2021 Majors Vertigo 0 0 0 0 0
## 8 2021 Majors Anubis 0 0 0 0 0
## 9 2021 Majors Cache 0 0 0 0 0
## 10 2021 Majors Cobblestone 0 0 0 0 0
## 11 2021 Majors Season 0 0 0 0 0
## 12 2021 Majors Train 0 0 0 0 0
## 13 2021 Majors Tuscan 0 0 0 0 0
## 14 2021 Big Events Ancient 0 0 0 0 0
## 15 2021 Big Events Dust2 0 0 0 0 0
## 16 2021 Big Events Inferno 0 0 0 0 0
## 17 2021 Big Events Mirage 0 0 0 0 0
## 18 2021 Big Events Nuke 0 0 0 0 0
## 19 2021 Big Events Overpass 0 0 0 0 0
## 20 2021 Big Events Vertigo 0 0 0 0 0
## 21 2021 Big Events Anubis 0 0 0 0 0
## 22 2021 Big Events Cache 0 0 0 0 0
## 23 2021 Big Events Cobblestone 0 0 0 0 0
## 24 2021 Big Events Season 0 0 0 0 0
## 25 2021 Big Events Train 0 0 0 0 0
## 26 2021 Big Events Tuscan 0 0 0 0 0
## 27 2021 LAN Ancient 0 0 0 0 0
## 28 2021 LAN Dust2 0 0 0 0 0
## 29 2021 LAN Inferno 0 0 0 0 0
## 30 2021 LAN Mirage 0 0 0 0 0
## 31 2021 LAN Nuke 0 0 0 0 0
## 32 2021 LAN Overpass 0 0 0 0 0
## 33 2021 LAN Vertigo 0 0 0 0 0
## 34 2021 LAN Anubis 0 0 0 0 0
## 35 2021 LAN Cache 0 0 0 0 0
## 36 2021 LAN Cobblestone 0 0 0 0 0
## 37 2021 LAN Season 0 0 0 0 0
## 38 2021 LAN Train 0 0 0 0 0
## 39 2021 LAN Tuscan 0 0 0 0 0
## 40 2021 Online Ancient 0 0 0 0 0
## 41 2021 Online Anubis 0 0 0 0 0
## 42 2021 Online Cache 0 0 0 0 0
## 43 2021 Online Cobblestone 0 0 0 0 0
## 44 2021 Online Season 0 0 0 0 0
## 45 2021 Online Train 0 0 0 0 0
## 46 2021 Online Tuscan 0 0 0 0 0
## 47 2022 Majors Ancient 0 0 0 0 0
## 48 2022 Majors Inferno 0 0 0 0 0
## 49 2022 Majors Mirage 0 0 0 0 0
## 50 2022 Majors Overpass 0 0 0 0 0
## 51 2022 Majors Anubis 0 0 0 0 0
## 52 2022 Majors Cache 0 0 0 0 0
## 53 2022 Majors Cobblestone 0 0 0 0 0
## 54 2022 Majors Season 0 0 0 0 0
## 55 2022 Majors Train 0 0 0 0 0
## 56 2022 Majors Tuscan 0 0 0 0 0
## 57 2022 Big Events Ancient 0 0 0 0 0
## 58 2022 Big Events Mirage 0 0 0 0 0
## 59 2022 Big Events Anubis 0 0 0 0 0
## 60 2022 Big Events Cache 0 0 0 0 0
## 61 2022 Big Events Cobblestone 0 0 0 0 0
## 62 2022 Big Events Season 0 0 0 0 0
## 63 2022 Big Events Train 0 0 0 0 0
## 64 2022 Big Events Tuscan 0 0 0 0 0
## 65 2022 LAN Ancient 0 0 0 0 0
## 66 2022 LAN Anubis 0 0 0 0 0
## 67 2022 LAN Cache 0 0 0 0 0
## 68 2022 LAN Cobblestone 0 0 0 0 0
## 69 2022 LAN Season 0 0 0 0 0
## 70 2022 LAN Train 0 0 0 0 0
## 71 2022 LAN Tuscan 0 0 0 0 0
## 72 2022 Online Anubis 0 0 0 0 0
## 73 2022 Online Cache 0 0 0 0 0
## 74 2022 Online Cobblestone 0 0 0 0 0
## 75 2022 Online Season 0 0 0 0 0
## 76 2022 Online Train 0 0 0 0 0
## 77 2022 Online Tuscan 0 0 0 0 0
## 78 2023 Majors Ancient 0 0 0 0 0
## 79 2023 Majors Dust2 0 0 0 0 0
## 80 2023 Majors Inferno 0 0 0 0 0
## 81 2023 Majors Mirage 0 0 0 0 0
## 82 2023 Majors Nuke 0 0 0 0 0
## 83 2023 Majors Overpass 0 0 0 0 0
## 84 2023 Majors Vertigo 0 0 0 0 0
## 85 2023 Majors Anubis 0 0 0 0 0
## 86 2023 Majors Cache 0 0 0 0 0
## 87 2023 Majors Cobblestone 0 0 0 0 0
## 88 2023 Majors Season 0 0 0 0 0
## 89 2023 Majors Train 0 0 0 0 0
## 90 2023 Majors Tuscan 0 0 0 0 0
## 91 2023 Big Events Ancient 0 0 0 0 0
## 92 2023 Big Events Dust2 0 0 0 0 0
## 93 2023 Big Events Cache 0 0 0 0 0
## 94 2023 Big Events Cobblestone 0 0 0 0 0
## 95 2023 Big Events Season 0 0 0 0 0
## 96 2023 Big Events Train 0 0 0 0 0
## 97 2023 Big Events Tuscan 0 0 0 0 0
## 98 2023 LAN Ancient 0 0 0 0 0
## 99 2023 LAN Dust2 0 0 0 0 0
## 100 2023 LAN Cache 0 0 0 0 0
## 101 2023 LAN Cobblestone 0 0 0 0 0
## 102 2023 LAN Season 0 0 0 0 0
## 103 2023 LAN Train 0 0 0 0 0
## 104 2023 LAN Tuscan 0 0 0 0 0
## 105 2023 Online Dust2 0 0 0 0 0
## 106 2023 Online Cache 0 0 0 0 0
## 107 2023 Online Cobblestone 0 0 0 0 0
## 108 2023 Online Season 0 0 0 0 0
## 109 2023 Online Train 0 0 0 0 0
## 110 2023 Online Tuscan 0 0 0 0 0
## total_deaths rounds_played K.D_ratio players_played
## 1 0 0 - -
## 2 0 0 - -
## 3 0 0 - -
## 4 0 0 - -
## 5 0 0 - -
## 6 0 0 - -
## 7 0 0 - -
## 8 0 0 - -
## 9 0 0 - -
## 10 0 0 - -
## 11 0 0 - -
## 12 0 0 - -
## 13 0 0 - -
## 14 0 0 - -
## 15 0 0 - -
## 16 0 0 - -
## 17 0 0 - -
## 18 0 0 - -
## 19 0 0 - -
## 20 0 0 - -
## 21 0 0 - -
## 22 0 0 - -
## 23 0 0 - -
## 24 0 0 - -
## 25 0 0 - -
## 26 0 0 - -
## 27 0 0 - -
## 28 0 0 - -
## 29 0 0 - -
## 30 0 0 - -
## 31 0 0 - -
## 32 0 0 - -
## 33 0 0 - -
## 34 0 0 - -
## 35 0 0 - -
## 36 0 0 - -
## 37 0 0 - -
## 38 0 0 - -
## 39 0 0 - -
## 40 0 0 - -
## 41 0 0 - -
## 42 0 0 - -
## 43 0 0 - -
## 44 0 0 - -
## 45 0 0 - -
## 46 0 0 - -
## 47 0 0 - -
## 48 0 0 - -
## 49 0 0 - -
## 50 0 0 - -
## 51 0 0 - -
## 52 0 0 - -
## 53 0 0 - -
## 54 0 0 - -
## 55 0 0 - -
## 56 0 0 - -
## 57 0 0 - -
## 58 0 0 - -
## 59 0 0 - -
## 60 0 0 - -
## 61 0 0 - -
## 62 0 0 - -
## 63 0 0 - -
## 64 0 0 - -
## 65 0 0 - -
## 66 0 0 - -
## 67 0 0 - -
## 68 0 0 - -
## 69 0 0 - -
## 70 0 0 - -
## 71 0 0 - -
## 72 0 0 - -
## 73 0 0 - -
## 74 0 0 - -
## 75 0 0 - -
## 76 0 0 - -
## 77 0 0 - -
## 78 0 0 - -
## 79 0 0 - -
## 80 0 0 - -
## 81 0 0 - -
## 82 0 0 - -
## 83 0 0 - -
## 84 0 0 - -
## 85 0 0 - -
## 86 0 0 - -
## 87 0 0 - -
## 88 0 0 - -
## 89 0 0 - -
## 90 0 0 - -
## 91 0 0 - -
## 92 0 0 - -
## 93 0 0 - -
## 94 0 0 - -
## 95 0 0 - -
## 96 0 0 - -
## 97 0 0 - -
## 98 0 0 - -
## 99 0 0 - -
## 100 0 0 - -
## 101 0 0 - -
## 102 0 0 - -
## 103 0 0 - -
## 104 0 0 - -
## 105 0 0 - -
## 106 0 0 - -
## 107 0 0 - -
## 108 0 0 - -
## 109 0 0 - -
## 110 0 0 - -# rounds_played değişkeninin en yüksek değer aldığı 3 satır
EF_team_stats |>
slice_max(rounds_played, n = 3)## year match map maps_played wins draws losses total_kills total_deaths
## 1 2022 Online Nuke 37 25 0 12 3479 3191
## 2 2022 Online Inferno 35 23 0 12 3126 2868
## 3 2022 Online Vertigo 33 16 0 17 3178 2967
## rounds_played K.D_ratio
## 1 996 1.09
## 2 924 1.09
## 3 913 1.07
## players_played
## 1 MAJ3R - XANTARES - Calyx - imoRR - xfl0ud - mini - EMSTAR - paz - woxic
## 2 MAJ3R - XANTARES - Calyx - imoRR - xfl0ud - mini - EMSTAR - paz - woxic
## 3 MAJ3R - XANTARES - Calyx - imoRR - xfl0ud - duggy - mini - EMSTAR - paz - woxic