Markdown II

Überblick

In diesem Practical wirst du nun die Grafiken in deinem Dokument gestalten und Bausteine, Text und Tabellen, einfügen.

Am Ende des Practicals wirst du wissen wie man:

Grafiken formatiert.
Datentabellen einfügt und im Detail gestaltet.
Ergebnisse eines Regressionsmodells einbindet.

Aufgaben

A - Setup

Öffne dein TheRBootcamp R Projekt. Es sollte die Ordner 1_Data, 2_Assets, und 3_Markdown enthalten.
Lade die airbnb_level_one.Rmd Datei, das fertige Produkt am Ende des ersten Markdown Practicals.
Speichere die Datei und dem neuen Namen: airbnb_level_two.Rmd ab.
Zusätzlich lade die Pakete knitr, kableExtra und sjPlot im setup chunk.

B - Präambel: Fussnote einfügen

Ergänze eine Fussnote nach dem Texteil ‘verfügbarer Daten’ ^[Daten wurde heruntergeladen von [insideairbnb.com](http://insideairbnb.com/get-the-data.html)]
Knitte das Dokument. Siehst du nun eine Fussnote am Ende des Dokuments?

C - Neueinstellungen: Plots

Nun geht es darum die Darstellung der Grafiken zu verbessern und Bildunterschriften einzufügen. Setze zunächst das Seitenverhältnis der ersten Grafik auf .5 (fig.asp = .5). Knitte das Dokument. Die Grafik sollte nun schmaler sein.
Füge fig.cap = cap in den Optionen des Chunks der ersten Grafik ein. Dies wird dir ermöglichen gleich die Bildunterschrift im Chunk zu definieren.
Am Ende des Grafik Chunks ergänze nun cap = Abbildung 1. Neueinstellungen pro Monat.. Knitte das Dokument. Du solltest nun eine Bildunterschrift sehen.
Weitere zur nächsten Grafik. Setze das Seitenverhältnis für die zweite Grafik auf .5.
Füge nun zunächst fig.cap = cap in den Optionen des Chunks der zweiten Grafik ein und dann innerhalb des Chunks cap = Abbildung 2. Neueinstellungen pro Bezirk..
Knitte das Dokument. Sieht alles in Ordnung aus?

D - Preise: Neuer Texteil

Für einen neuen Abschnitt füge Preis als Level 3 Header ein.
Setze darunter den folgenden Text.

Der durchschnittliche Preis der Neueinstellungen beträgt 80.8 €. Im Vergleich zum Vorjahr sind die Preise der Neueinstellungen um 1.7% gestiegen.

In diesem Text werden die Zahlen nicht berechnet - füge inline Code für den durschschnittlichen Preis aus dem Datensatz airbnb_1819 direkt im Text ein. Siehe unten.

round(mean(airbnb_1819 %>% pull(Preis)),1)

Wähle die gleiche Vorgangsweise für die prozentuelle Steigerung der Preise. Verwende folgenden Code für die Berechnung innerhalb des Texts.

m <- mean(airbnb_1819 %>% filter(year(Erstellungsdatum) == 2019) %>% pull(Preis))/ mean(airbnb_1819 %>% filter(year(Erstellungsdatum) == 2018) %>% pull(Preis)) ; round(m, 3) * 100 - 100

Knitte das Dokument. Sieht alles in Ordnung aus?

E - Preise: Neuer Texteil

Erstelle eine neue Überschrift, Einfluss Ausstattung, als Level 4 Header.
Berechne als ersten Schritt in einem eigenem Code Chunk wie sich die verschiedenen Ausstattungsmerkmale (Küche, Wifi, …) auf die durchschnittlichen Preise auswirken.

# Vektor mit Ausstattungsmerkmalen
ausstattung_var <- c('Küche','Wifi','TV','Kaffeemaschine',
                     'Geschirrspüler','Terrasse_Balkon',
                     'Check_in_24h')

# Bestimme Preise als Funktion der Ausstattungsmerkmale
ausstattung <- 
  airbnb_1819 %>% 
    select(all_of(ausstattung_var), Preis) %>%
    pivot_longer(-Preis,
    names_to = 'Ausstattung',
    values_to = 'Ausstattung_vorhanden') %>% 
    group_by(Ausstattung) %>% 
    summarize(Nicht_vorhanden = mean(Preis[!Ausstattung_vorhanden]),
              Vorhanden = mean(Preis[Ausstattung_vorhanden]),
              Differenz = Vorhanden - Nicht_vorhanden, 
              Prozent_vorhanden = mean(Ausstattung_vorhanden) * 100) %>% 
    arrange(desc(Differenz))

Füge einen neuen Textteil ein.

Das Austattungsmerkmal mit dem grössten Unterschied im Preis ist Check_in_24h (72.9), das Austattungsmerkmal mit dem kleinsten Unterschied im Preis ist Küche (-88.9).

Ersetze den Variablenamen und den numerischen Wert in Klammer (grösster Unterschied im Preis) mit zwei separaten inline Code-Elementen.

ausstattung %>% pull(Ausstattung) %>% first()
ausstattung %>% pull(Differenz) %>% first() %>% round(1)

Ersetze genauso Variablename und numerischen Wert in Klammer für den kleinsten Unterschied im Preis.

ausstattung %>% pull(Ausstattung) %>% last()
ausstattung %>% pull(Differenz) %>% last() %>% round(1)

Der folgenden Textabschnitt beinhaltet eine Schlussfolgerung aus den Ergebnissen der Tabelle. Kennzeichne den Textabschnitt mit ** vor und nach dem ersten Wort und setze ihn damit in fetter Schriftart.

Der stark negative Effekt der Küche überrascht, er könnte jedoch durch die Art der Unterkunft moderiert werden, gegeben dass auch Hotels im Angebot enthalten sind.

Knitte das Dokument. Sieht alles in Ordnung aus?

F - Preis: Tabelle 1 erzeugen

Erstelle einen neuen Code Chunk mit einer Tabelle basierend auf ausstattung. Verwende dafür die kable() Funktion. Siehe unten.

# Plotte Tabelle mit Austattungsmerkmalen
ausstattung %>% kable(format = 'html')

Beschränke die Anzahl Nachkommastellen mit digits = 2 auf zwei.
Füge eine Tabellenüberschrift mit caption = 'Tabelle 1. Austattung und Einfluss auf den Preis' ein.
Passe die Namen der Spalten an, inklusive neuer Zeilenumbrüche mit <br>: col.names = c('', 'Preis<br>Nicht-vorh.', 'Preis<br>vorh.', 'Differenz', 'Prozent<br>vorh.')
Knitte das Dokument. Du wirst bemerken, dass die Spaltenbeschriftung nicht korrekt übersetzt wird. Verwende als weiteres Argument escape = FALSE um dieses Problem zu korrigieren.
Lege die Ausrichtung der Zellen mit align = "lcccc" fest. Jeder Buchstabe legt die Ausrichtung für eine Spalte fest. l bedeutet left und c center.
Nun vergrössere die Breite der Spalten in dem du column_spec() hinter der kable() Funktion verwendest.

ausstattung %>% 
  kable(...) %>% 
  column_spec(c(2,3,4,5), width = "1.2in")

Abschliessend, gestalte die Schrifgrösse der Zellen in Abhängigkeit der Grösse der abgebildeten Zahl. Füge dafür vor der kable() Funktion folgenden Code ein und verbinde die beiden Teile mit einer Pipe %>%.

ausstattung %>% 
  mutate_if(is.numeric, function(x) {
            cell_spec(round(x,1), bold = T, 
            font_size = spec_font_size(x, begin=10, end=16))}) %>% 
  kable(...) %>% 
  column_spec(...)

Knitte das Dokument. Sieht alles in Ordnung aus?

G - Preise: Text Teil

Erstelle eine neue Überschrift, Regressionsmodell, als Level 4 Header
Verwende den Code unten um eine Regression in der Preis durch verschiedenen Ausstattungsmerkmalen und den Status Hotel Ja/Nein vorhergesagt wird.

# Reduzierter Vektor mit Ausstattungsmerkmalen
ausstattung_var <- c('Küche','TV','Terrasse_Balkon','Check_in_24h')

# Bereit den Datensatz für die Regression vor
ausstattung <- 
  airbnb_1819 %>% 
    mutate(Hotel = Unterkunftsart %in% c('Boutique hotel', 'Hotel')) %>% 
    select(Preis, Hotel, all_of(ausstattung_var)) 

# Rechne Regression des Preises auf Austattungsmerkmale und Hotel
ausstattung_mod <- 
  ausstattung %>% 
    lm(formula = Preis ~ .)
  
# Bestimme Anteil Hotels in 2018 und 2019
hotel <- 
  airbnb_1819 %>% 
    group_by(year(Erstellungsdatum)) %>% 
    summarize(Anteil = mean(Unterkunftsart %in% c('Boutique hotel', 'Hotel')))

Füge nun folgenden Textblock ein.

Die Regression legt nahe, dass Küche, TV und Terrasse oder Balkon den grössten Einfluss auf den Preis in denletztene beiden Jahren hatten.

Der Einfluss der Küche ist gegenüber dem Unterschied in Tabelle 1 gesunken, jedoch nach wie vor signifikant.

Überraschenderweise ist der Effekt eines 24h Check-ins, welcher deskriptiv am grössten ausfiel, nicht signifikant. Dies ist ebenfalls auf den Zusammen zur Unterkunftsart zurückzuführen

Es besteht ein substantieller Unterschied im Preis zwischen Unterkunftsarten. Hotels haben eine um 437.3€ höheren Preis als Unterkünfte die keine Hotels sind.

Der Anteil von Hotels ist von 1.1% im Jahre 2018 auf 1.4% im Jahre 2019 gestiegen. Es liegt nahe, dass der Anstieg im Anteil der Hotels, den Anstieg der Objektpreise verursacht.

Lasse dir die Koeffizienten aus dem Regressionsmodell ausgeben und verwende den Code unten um im vierten Absatz (Hotels haben einen um … höheren Preis) das Ergebnis im Satz zu ersetzen.

coefficients(ausstattung_mod)['HotelTRUE'] %>% round(1)

Hebe zum Abschluss den 2. (“Überraschenderweise …”) und 4. Absatz (“Der Anteil …”) fett hervor.
Knitte das Dokument. Sieht alles in Ordnung aus?

H - Preise: Regressionstabelle

Zeige die Regressionsergebnisse in einer Tablle mit der tab_model() Funktion an.

# Tabelle mit Ergebnissen der Regression
tab_model(ausstattung_mod)

Ersetze die Namen der Koeffizienten in der Tabelle mit dem Argument pred.labels = c('Achsenabschnitt', names(ausstattung)[-1])
Füge einen neuen Tabellentitel mit dem Argument title = 'Table 2. Regression des Preises auf die Ausstattung.' ein.
Knitte das Dokument. Sieht alles in Ordnung aus?

Datensatz

Der airbnb.csv Datensatz enthält Zahlen zu 9868 Berliner Airbnbs

Variable	Beschreibung
Preis	Preis pro Nacht
Erstellungsdatum	Eröffnungsdatum des Airbnbs
Unterkunftsart	Appartement, Loft, House, etc.
Schlafplätze	Anzahl Schlafplätze
Schlafzimmer	Anzahl Schlafzimmer
Badezimmer	Anzahl Badezimmer
Reinigungsgebühr	Reinigungsgebühr
Verfügbarkeit_90Tage
Viertel	In welchem Viertel befindet sich das Airbnb
Stadtteil	In welchem Stadtteil befindet sich das Airbnb
Breitengrad	Breitengrad
Längengrad	Längengrad
Host_id	Host id
Host_seit	Erfahrung des Hosts
Host_antwortzeit	Host Antwortzeit
Host_antwortrate	Host Antwortrate
Host_superhost	Superhost Ja/Nein
Host_anzahl	Anzahl Gäste
Rating_gesamt	Gesamtrating
Rating_genauigkeit	Genauigkeitsrating
Rating_sauberkeit	Sauberkeitsrating
Rating_checkin	Checkinrating
Rating_kommunikation	Kommunikationsrating
Rating_lage	Lagerating
Rating_wertigkeit	Wertigkeitsrating
Küche	Küche vorhanden TRUE/FALSE
Wifi	WLAN vorhanden TRUE/FALSE
TV	TV vorhanden TRUE/FALSE
Kaffeemaschine	Kaffeemaschine vorhanden TRUE/FALSE
Geschirrspüler	Geschirrspüler vorhanden TRUE/FALSE
Terrasse_Balkon	Terrasse/Balkon vorhanden TRUE/FALSE
Badewanne	Badewanne vorhanden TRUE/FALSE
Check_in_24h	24h Check-In vorhanden TRUE/FALSE

Funktionen

Paket

Paket	Installation
`tidyverse`	`install.packages("tidyverse")`
`lubridate`	`install.packages("tidyverse")`
`knitr`	`install.packages("knitr")`
`sjPlot`	`install.packages("sjPlot")`
`kabelExtra`	`install.packages("kableExtra")`

Funktionen

Funktion	Paket	Beschreibung
`kable()`	`knitr`	Tibble (Data frame) als Tabelle
`cell_spec()`, `column_spec`	`kableExtra`	Formatiere Zellen und Spalten in `kable`-Tabelle
`tab_model()`	`sjPlot`	Tabelle mit den Ergebnissen statistischer Modelle
`coefficients()`	`stats`	Zeiege Koeffizienten einer Regression
`pivot_longer()`	`tidyr`	Extrahieren eines Vektors

Materialien

Allgemeiner Einstieg in RMarkdown.
DIE Referenz für RMarkdown bis ins letzte Detail.
Rmarkdown Dokumentation und Befehlsreferenz.

Markdown II

Reporting mit R The R Bootcamp

Überblick

Aufgaben

A - Setup

B - Präambel: Fussnote einfügen

C - Neueinstellungen: Plots

D - Preise: Neuer Texteil

E - Preise: Neuer Texteil

F - Preis: Tabelle 1 erzeugen

G - Preise: Text Teil

H - Preise: Regressionstabelle

Datensatz

Funktionen

Paket

Funktionen

Materialien

Reporting mit R
The R Bootcamp