Experiment 3: 100 Spiele als Tibble – Hands-on Data Science

Der Datensatz Let's Make a Deal: 100 Spiele mit drei Türen enthält 100 Spiele mit genau den Angaben, die ihr eben als Vektoren hattet, dazu den Vornamen der Person. Die Spiele sind für diese Übung erzeugt und stammen nicht aus einer Aufzeichnung der Sendung. Eine Tabelle, deren Spalten Vektoren gleicher Länge sind und deren Zeilen je ein Spiel beschreiben, heißt im Tidyverse Tibble. Ihr arbeitet mit den Funktionen von dplyr, die eine Tabelle Schritt für Schritt umformen, verbunden mit der Pipe |>.

Am eigenen Rechner lädt man das Tidyverse und liest die Datei mit read_csv(); eure eigenen Spiele aus der vorigen Phase gehen genauso, aus der CSV-Datei oder mit readRDS() aus der RDS-Datei.

library(tidyverse)
monty_hall <- read_csv("lets_make_a_deal.csv")
my_games <- as_tibble(readRDS("monty_hall_spiele.rds"))

In den Kästen dieses Experiments ist dplyr schon geladen und die Tabelle als monty_hall da.

Erster Blick

Wie viele Zeilen und Spalten hat die Tabelle, und welchen Typ hat jede Spalte?

monty_hall

LÖSUNG ANZEIGEN

glimpse(monty_hall)

Schon der Ausdruck der Tabelle sagt es im Kopf: 100 × 5, also 100 Zeilen und fünf Spalten, und unter jedem Spaltennamen ihr Typ. Ein Tibble zeigt nur die ersten zehn Zeilen, damit die Ausgabe lesbar bleibt. glimpse() dreht die Tabelle und zeigt jede Spalte als Zeile mit ihrem Typ und den ersten Werten: der Vorname und die Entscheidung als Text (<chr>), die Türen als Zahlen (<int> hier, <dbl> nach read_csv()).

Spalten und Zeilen

Probiert jeden Schritt in einem eigenen Lauf:

Holt die Spalte prize_door einmal mit select() und einmal mit pull(). Was ist der Unterschied?
Wählt die Spalten prize_door und decision zusammen aus.
Zeigt die ersten zehn und die letzten zehn Zeilen.
Zeigt alle Spalten außer contestant.
Sortiert die Tabelle nach prize_door, aufsteigend und absteigend.

monty_hall |>
  select(prize_door)

LÖSUNG ANZEIGEN

monty_hall |> select(prize_door)              # 1.: eine Tabelle mit einer Spalte
monty_hall |> pull(prize_door)                # 1.: ein Vektor
monty_hall |> select(prize_door, decision)    # 2.
monty_hall |> slice_head(n = 10)              # 3.
monty_hall |> slice_tail(n = 10)              # 3.
monty_hall |> select(-contestant)             # 4.
monty_hall |> arrange(prize_door)             # 5.
monty_hall |> arrange(desc(prize_door))       # 5.

Jede dieser Funktionen bekommt eine Tabelle und gibt wieder eine Tabelle zurück; nur pull() holt eine Spalte als Vektor heraus, so wie ihr ihn aus der vorigen Phase kennt. Ein Minus vor dem Namen lässt eine Spalte weg.

Wer hat gewonnen?

Ergänzt die Tabelle mit mutate() um eine Spalte won, nach derselben Regel wie in Experiment 2.
Legt mit filter() eine neue Tabelle an, die nur die gewonnenen Spiele enthält. Wie viele davon wurden mit Wechseln gewonnen, wie viele mit Bleiben? count() zählt die Zeilen je Wert einer Spalte.
Wie oft gewinnt in diesen 100 Spielen, wer bleibt, und wie oft, wer wechselt? group_by() teilt die Tabelle in Gruppen, und summarize() fasst jede Gruppe zu einer Zeile zusammen.
Macht aus decision einen Faktor und seht euch seine Stufen an. Wozu ist das gut?

monty_hall |>
  mutate(won = FALSE)

LÖSUNG ANZEIGEN

monty_hall <- monty_hall |>
  mutate(won = (decision == "stay" & prize_door == contestant_choice) |
    (decision == "switch" & prize_door != contestant_choice))

games_won <- monty_hall |>
  filter(won)
games_won |>
  count(decision)

monty_hall |>
  group_by(decision) |>
  summarize(games = n(), rate = mean(won))

Von den 49 gewonnenen Spielen wurden 30 mit Bleiben und 19 mit Wechseln gewonnen. Das sieht nach einem Vorteil fürs Bleiben aus, ist aber eine Falle: Geblieben wurde in 74 Spielen, gewechselt nur in 26. Erst die Anteile sind vergleichbar, und die zeigen das Gegenteil: Bleiben gewinnt in 41 Prozent der Spiele, Wechseln in 73 Prozent.

mutate(decision = factor(decision)) macht aus der Spalte einen Faktor mit den Stufen stay und switch, und glimpse() zeigt danach <fct>. Ein Faktor kennt alle erlaubten Werte; damit fallen Tippfehler auf, und Tabellen und Grafiken zeigen die Kategorien in einer festen Reihenfolge.