Interaktive Übung: Datenmanagement mit dem tidyverse

Von Pipes bis Joins – Daten aufbereiten zum Selberbauen

Interaktive webr-Übung zum Datenmanagement mit dem tidyverse – Pipes, die zentralen dplyr-Verben, Joins und das Umformen von Daten.

In dieser interaktiven Übung bereitest du Daten mit dem tidyverse selbst auf – von der Pipe über Filtern, Auswählen und Neuberechnen bis zum Verknüpfen und Umformen von Datenquellen. Der gesamte R-Code läuft direkt im Browser; du musst nichts installieren.

HinweisSo funktioniert diese Übung

Auf dieser Seite läuft ein komplettes R direkt in deinem Browser – ohne Installation, ohne Server. Beim ersten Laden dauert es ein paar Sekunden, bis unten “R is ready!” erscheint.

Jede Code-Zelle hat einen Run code-Knopf, und du kannst den Code verändern und erneut ausführen. Zu jeder Aufgabe gibt es einen aufklappbaren Tipp und eine Lösung – aber schau erst selbst, wie weit du kommst.

Warum Datenmanagement?

Ein oft zitierter Erfahrungswert: Der Großteil der Zeit in einem Datenprojekt geht nicht in die eigentliche Analyse, sondern ins Aufbereiten der Daten – filtern, umbenennen, neu berechnen, zusammenführen, umformen. Das tidyverse macht diese Schritte lesbar und verkettbar. Die Grundidee: wenige, klar benannte „Verben”, die jeweils einen data.frame hineinbekommen und einen data.frame zurückgeben – und die man mit der Pipe zu einem gut lesbaren Ablauf zusammensteckt.

Die Daten

Wir arbeiten mit zwei Tabellen. befragung enthält eine Zeile pro Person:

Und gruppen enthält Zusatzinformationen – eine Zeile pro Gruppe:

Beide Tabellen haben eine gemeinsame Spalte gruppe – die brauchen wir später zum Verknüpfen.

Die Pipe: %>% (bzw. |>)

Die Pipe nimmt das, was links steht, und setzt es als erstes Argument in die Funktion rechts ein. x %>% f(y) ist also dasselbe wie f(x, y). Lies das %>% einfach als „und dann”. Statt Funktionen tief zu verschachteln, liest sich der Code von oben nach unten wie ein Rezept.

Tipp🎯 Aufgabe 1

Der folgende Code ist verschachtelt geschrieben und dadurch schwer zu lesen. Schreibe ihn mit der Pipe %>% um, sodass er von oben nach unten lesbar ist.

Hinweis💡 Tipp

Fang mit dem Datensatz an, den du „durchschickst”: befragung %>% .... Die innerste Funktion (filter) kommt zuerst, danach select.

Vorsicht✅ Lösung

Hinweis: Seit R 4.1 gibt es auch die eingebaute Pipe |>. Sie funktioniert hier fast identisch – im tidyverse ist %>% aber weiterhin sehr verbreitet.

Spalten auswählen: select()

select() behält (oder entfernt) Spalten. Praktisch sind die Hilfsfunktionen starts_with(), ends_with(), contains() sowie der Doppelpunkt a:c für Spaltenbereiche und das Minus -spalte zum Entfernen.

Tipp🎯 Aufgabe 2

Wähle nur id sowie die beiden Zufriedenheits-Spalten aus – ohne sie einzeln zu tippen. Nutze eine Hilfsfunktion.

Hinweis💡 Tipp

Beide Spalten beginnen mit "zufr_". Das erledigt starts_with("zufr") – also select(id, starts_with("zufr")).

Vorsicht✅ Lösung

contains("zufr") würde hier genauso funktionieren.

Zeilen filtern: filter()

filter() behält Zeilen, die eine Bedingung erfüllen. Nützliche Bausteine: ==, !=, <, >=, Verknüpfungen mit & (und) / | (oder), %in% für „ist in einer Menge” sowie is.na().

Tipp🎯 Aufgabe 3

Behalte nur Personen, die jünger als 30 sind und in Gruppe A oder B.

Hinweis💡 Tipp

Zwei Bedingungen verbindest du mit & oder einfach mit einem Komma. Für „A oder B” ist gruppe %in% c("A", "B") am elegantesten.

Vorsicht✅ Lösung

Das Komma zwischen den Bedingungen wirkt wie ein logisches &.

Zeilen sortieren: arrange()

arrange() ordnet die Zeilen nach einer oder mehreren Spalten. desc() dreht die Reihenfolge um (absteigend).

Tipp🎯 Aufgabe 4

Sortiere die Personen nach der Zufriedenheit nachher, von hoch nach niedrig.

Hinweis💡 Tipp

Für absteigend: arrange(desc(zufr_nachher)).

Vorsicht✅ Lösung

Variablen (neu) berechnen: mutate()

mutate() fügt neue Spalten hinzu oder verändert bestehende. Der Rest der Tabelle bleibt erhalten (anders als bei summarise(), das gleich kommt). Zum Umkodieren sind ifelse() und – für mehrere Fälle – case_when() sehr nützlich.

Tipp🎯 Aufgabe 5

Berechne zwei neue Variablen:

• differenz = Zufriedenheit nachher minus vorher,
• verbesserung_proz = die Differenz in Prozent des Vorher-Werts.

Hinweis💡 Tipp

Du kannst in einem mutate() mehrere Spalten anlegen (durch Komma getrennt) und dabei sogar auf gerade eben berechnete Spalten zugreifen: mutate(differenz = ..., verbesserung_proz = differenz / zufr_vorher * 100).

Vorsicht✅ Lösung

Bonus – Umkodieren mit case_when(): So legst du z.B. Altersgruppen an.

Verwandt: rename(neu = alt) benennt Spalten um.

Gruppieren & Zusammenfassen: group_by() + summarise()

Ein zentrales Muster ist split–apply–combine: die Daten nach einer Variable aufteilen, pro Gruppe eine Kennzahl berechnen und die Ergebnisse wieder zusammenführen. summarise() verdichtet dabei viele Zeilen zu einer pro Gruppe – mit Funktionen wie mean(), sd(), median() und n() (Anzahl).

Tipp🎯 Aufgabe 6

Berechne pro Gruppe die Anzahl der Personen, die mittlere Zufriedenheit vorher und die mittlere Differenz (nachher − vorher).

Hinweis💡 Tipp

In summarise() kannst du mehrere Kennzahlen anlegen: summarise(n = n(), m_vorher = mean(zufr_vorher), m_diff = mean(differenz)).

Vorsicht✅ Lösung

.groups = "drop" hebt die Gruppierung danach wieder auf – so vermeidest du Überraschungen bei nachfolgenden Schritten.

Datenquellen verknüpfen: Joins

Bisher hatten wir nur befragung. Jetzt kommt gruppen ins Spiel: Zu jeder Person wollen wir die Bedingung und den Standort ihrer Gruppe ergänzen. Das leisten die Join-Funktionen. Sie verbinden zwei Tabellen über eine gemeinsame Spalte (hier gruppe).

• left_join(x, y) behält alle Zeilen von x und ergänzt passende Infos aus y.
• inner_join(x, y) behält nur Zeilen, die in beiden vorkommen.
• full_join() behält alle Zeilen aus beiden Tabellen.
• anti_join() / semi_join() filtern x danach, ob es einen Partner in y gibt.

Tipp🎯 Aufgabe 7

Verknüpfe befragung mit gruppen und berechne dann die mittlere Differenz pro Bedingung (statt pro Gruppe). Du kombinierst also Join + group_by + summarise.

Hinweis💡 Tipp

Häng nach dem mutate() an: group_by(bedingung) %>% summarise(m_diff = mean(differenz), n = n(), .groups = "drop").

Vorsicht✅ Lösung

Umformen: pivot_longer() (Tidy Data)

Unsere Zufriedenheit steht in zwei Spalten (zufr_vorher, zufr_nachher). Das ist praktisch zum Anschauen, aber für Analysen und für ggplot2 sind Daten oft besser im langen Format: derselbe Wert (Zufriedenheit) in einer Spalte, und eine zweite Spalte, die den Zeitpunkt kennzeichnet. Das ist die Idee von tidy data – jede Beobachtung eine Zeile. pivot_longer() macht genau diese Umformung.

Tipp🎯 Aufgabe 8

Forme die beiden zufr_*-Spalten so um, dass es eine Spalte zeitpunkt (mit „vorher”/„nachher”) und eine Spalte zufriedenheit gibt.

Hinweis💡 Tipp

pivot_longer() braucht: welche Spalten (cols = starts_with("zufr")), den Namen der neuen Namensspalte (names_to = "zeitpunkt") und der neuen Werte-Spalte (values_to = "zufriedenheit"). Mit names_prefix = "zufr_" wird das „zufr_” aus den Namen entfernt.

Vorsicht✅ Lösung

Der umgekehrte Weg (lang → breit) geht mit pivot_wider().

🏆 Alles zusammen: die Capstone-Aufgabe

Jetzt verkettest du mehrere Verben zu einer durchgehenden Pipe – genau so sieht echtes Datenmanagement aus.

Tipp🎯 Aufgabe 9

Baue eine Pipe, die

1. befragung mit gruppen verknüpft,
2. die differenz (nachher − vorher) berechnet,
3. nur Personen unter 30 behält,
4. nach Bedingung gruppiert und
5. je Bedingung Anzahl, mittlere Differenz und deren Standardabweichung ausgibt.

Vorsicht✅ Eine mögliche Lösung

Bonus: die Belohnung – eine Abbildung

Sauber aufbereitete (tidy) Daten lassen sich sofort visualisieren. Hier fließt alles zusammen: Join, Umformen ins lange Format – und dann ggplot2 aus der ersten Übung.

Und dann?

Ein paar Dinge zum Weiterdenken:

• across() wendet dieselbe Berechnung auf mehrere Spalten an, z.B. summarise(across(starts_with("zufr"), mean)).
• Join-Schlüssel mit anderen Namen verbindest du mit by = c("links" = "rechts").
• Fehlende Werte (NA) behandelst du u.a. mit is.na(), drop_na() oder mean(x, na.rm = TRUE).

Hilfreiche Anlaufstellen:

• dplyr: https://dplyr.tidyverse.org/
• tidyr: https://tidyr.tidyverse.org/
• „R for Data Science” (frei online): https://r4ds.hadley.nz/
• Cheat-Sheet: https://rstudio.github.io/cheatsheets/data-transformation.pdf

HinweisFazit

• Datenmanagement ist der größte – und unterschätzte – Teil der Analyse.
• Wenige Verben (select, filter, mutate, summarise, Joins, pivot_*) decken erstaunlich viel ab.
• Die Pipe macht aus verschachteltem Code ein lesbares Rezept.
• Ziel ist meist tidy data – die perfekte Grundlage für Analyse und Visualisierung.