# Selbsttest: Explorative Datenanalyse mit R
# https://hands-on-computer-science.de/ds/de/items/eda-self-assessment/
#
# Die Aufgabe und die Tipps stehen hier als Kommentare, die Lösung findest du
# auf der Seite.

# Pakete und Daten laden ----
#
# Einmal vorher in der Konsole, falls noch nicht installiert:
# install.packages(c("dplyr", "ggplot2"))

library(dplyr)
library(ggplot2)
rewe <- as_tibble(read.csv("https://hands-on-computer-science.de/media/datasets/rewe_products.csv", na.strings = "", stringsAsFactors = FALSE))

# Mit diesem Selbsttest prüfst du, ob du die Grundlagen beherrschst, mit denen
# die explorative Datenanalyse beginnt. Wenn du den Teil *Whole game* aus R for
# Data Science durchgearbeitet hast oder die Lernpfade Einstieg in R und
# Datentransformation mit R und dplyr, sollten dir die meisten Aufgaben
# leichtfallen. Versuch jede zuerst allein; die Lösung kannst du aufklappen,
# wenn du nicht weiterkommst oder vergleichen willst.
#
# In jedem Kasten liegt die Tabelle `rewe` bereit, mit gut 9.400 Produkten aus
# dem REWE-Onlineshop: Name, Kategorie, Herkunft, Preis, Bio-Kennzeichnung und
# Nährwerte je 100 g. dplyr und ggplot2 sind geladen. Beim ersten Klick dauert
# das Laden einige Sekunden, bei der ersten Grafik noch einmal.

# Teil 1: Überblick ----
#
# Aufgabe 1. Verschaff dir einen Überblick über `rewe`: Welche Spalten gibt es,
# welchen Typ haben sie, und wie sehen die Werte aus?

rewe

# Aufgabe 2. Die Tabelle hat 9.438 Zeilen. Wie viele verschiedene Produkte
# stecken darin? Jedes Produkt hat eine eigene `product_id`.

rewe

# Teil 2: Transformieren ----
#
# Aufgabe 3. Zeige die zehn teuersten Produkte, nur mit Name und Preis.

rewe

# Aufgabe 4. Aus welchen Ländern stammen die Produkte? Zeige jedes Land mit der
# Zahl seiner Produkte, das häufigste zuerst.

rewe

# Aufgabe 5. Berechne eine neue Spalte `fat_unsat_in_gram`, den Fettgehalt ohne
# die gesättigten Fettsäuren, und zeige sie mit Name, Fett und gesättigten
# Fettsäuren.

rewe

# Aufgabe 6. Welche Produkte haben mehr als 99 g Fett je 100 g? Zeige nur Name
# und Fett.

rewe

# Aufgabe 7. Behalte nur die Spalten, in denen Zahlen stehen.

rewe

# Aufgabe 8. `product_id` und `gtin` sind Nummern, mit denen man nicht rechnet.
# Wandle beide in Text um.

rewe

# Teil 3: Visualisieren ----
#
# Aufgabe 9. Zeige in einem Balkendiagramm, wie viele Produkte es in jeder
# Kategorie gibt.

rewe |>
  ggplot() +
  aes()

# Aufgabe 10. Zeige in einem Histogramm, wie sich der Energiegehalt in kcal
# über alle Produkte verteilt.

rewe |>
  ggplot() +
  aes()

# Aufgabe 11. Vergleiche mit Boxplots den Fettgehalt der Kategorien.

rewe |>
  ggplot() +
  aes()

# Aufgabe 12. Zeige mit gestapelten Balken, welcher Anteil der Produkte in
# jeder Kategorie bio ist.

rewe |>
  ggplot() +
  aes()

# Teil 4: Genau hinsehen ----
#
# Aufgabe 13. Ein Lebensmittel hat höchstens etwa 900 kcal je 100 g; mehr hat
# nicht einmal reines Fett. Finde die Produkte, die mehr haben, und zeige Name,
# Energie und Fett. Was ist da wohl passiert?

rewe

# Wie es weitergeht ----
#
# Hast du fast alles ohne die Lösungen geschafft, bist du gut vorbereitet. Wo
# es gehakt hat, helfen diese Inhalte weiter:
# - Aufgaben 1 bis 8: der Lernpfad Datentransformation mit R und dplyr und der
#   Teil *Transform* in R for Data Science.
# - Aufgaben 9 bis 12: der Teil *Visualize* in R for Data Science und, für die
#   Frage, welche Grafik passt, Fundamentals of Data Visualization.
# - Aufgabe 13: Hier gibt es kein Rezept, nur die Gewohnheit, jedem Ergebnis
#   erst einmal zu misstrauen.