Markdown

Überblick

In diesem Practical lernst du einen Bericht mit Markdown zu erstellen. Das Enprodukt ist der airbnb_solution.html Bericht im 3_markdown Ordner.

Am Ende des Practicals wirst du wissen wie man:

Text in das Dokument einfügt.
Inline Code im Text verwendet.
Chunks erstellt und einstellt.
Grafiken formatiert.
Datentabellen einfügt und im Detail gestaltet.
Ergebnisse eines Regressionsmodells einbindet.
Den YAML header mit einem Inhaltsverzeichnis und einem neuen theme ergänzt.
Ein zwei Spalten Layout erstellt, dass den Text in der linken und die Grafiken/Tabellen in der rechten Spalte anzeigt.
Eine CSS Datei erstellt und in deinen Bericht einbindet.

Aufgaben

A - Setup

Öffne dein DataAnalytics4PB R Projekt, dass ihr von Github gecloned habt. Es sollte die Ordner 1_Data, 2_Assets, und 3_Markdown enthalten.
Öffne ein neues RMarkdown Skript und wähle das Template “HTML” aus (siehe screenshot).

Trulli

Trage als Titel Bericht Berlin 2018/2019 ein.
Speichere das neue Markdown Skript unter dem Namen Airbnb_level_one.Rmd im 3_Markdown Ordner ab.
Lösche alles unterhalb des setup Code Chunks.
Lade die Pakete tidyverse, lubridate, knitr, kableExtra und sjPlot im setup Chunk. Ggf. musst du die pakete erst installieren.

# Lade Pakete
library(tidyverse)
library(lubridate)

Lade den airbnb Datensatz mit read_csv() ebenfalls im setup Chunk mit dem Code unten.

# Lade Airbnb Datensatz
airbnb <- read_csv("../1_Data/Airbnb.csv")

Verwende den Code unten um nur die beiden Jahre 2018 und 2019 aus den Daten auszuwählen und ein neues Objekt airbnb_1819 zu erstellen.

# Wähle Jahre 2018 und 2019 aus
airbnb_1819 <- airbnb %>% 
  filter(Erstellungsdatum > "2018-01-01", 
         Erstellungsdatum < "2019-12-31")

B - Präambel

Unter den setup Chunk, setze eine Überschrift auf drittem Level (###) mit Titel Präambel.

### Präambel

Nun setze unter die Überschrift den folgenden Text.

Dieser Bericht analysiert Veränderungen in den Neueinstellungen und den Preisen von Airbnb Objekten in Berlin, Deutschland. Er wurde zum Zwecke der Übung auf Basis öffentlich verfügbarer Daten erstellt und repräsentiert einzig die Position der Autoren. Es besteht keine Beziehung zu Airbnb.

Knitte das Dokument. Sieht alles in Ordnung aus?

C - Neueinstellungen: Text Teil 1

Setze eine weitere Überschrift auf dritter Ebene (###) mit Titel Neueinstellungen und darunter eine Überschrift auf vierter Ebene (####) mit dem Titel Entwicklung.

### Neueinstellungen

#### Entwicklung

Füge nun diesen Text ein. Er enthält einige Werte, die du gleich durch inline Code ersetzen wirst.

Seit 02.01.2018 wurden in Berlin 5007 Airbnb Wohnungen eingestellt. Von diesen Wohnungn weisen aktuell 73% Verfügbarkeiten von durchschnittlich 47.5 Tagen für die nächsten 3 Monate auf.

Einstellungen von Airbnb Wohnungen haben im letzten Jahr stark zugenommen. Im Jahr 2019 wurden insgesamt 3274 neue Wohnungen eingestellt, wohingegend im Jahr 2018 nur 1733 Wohnungen eingestellt wurden. Dies entspricht einem Zuwachs von 89%.

Tausche zunächst das Datum an zweiter Stelle im Text durch den folgenden inline Code aus. Nicht vergessen, der Code muss zwischen zwei Gravis (`r Code`) gesetzt werden. Knitte das Dokument.

r min(airbnb_1819$Erstellungsdatum)

Jetzt sollte der Text ein Datum enthalten, welches aber noch nicht ganz richtig formatiert ist. Hier hilft die strftime() Funktion. Versuche mit dem folgenden inline Code das Datum in das richtige Format zu bringen.

r strftime(min(airbnb_1819$Erstellungsdatum), "%d.%m.%Y")

Als nächstes ersetze die Anzahl der Wohnungen durch nrow(airbnb_1819). Nicht das r am Anfang vergessen!
Ersetze nun Prozentsatz der Wohnungen durch round(mean(airbnb_1819$Verfügbarkeit_90Tage > 0) * 100) und die durchschnittliche Verfügbarkeit durch round(mean(airbnb_1819$Verfügbarkeit_90Tage[airbnb_1819$Verfügbarkeit_90Tage>0]),1). Jetzt sollten alle Zahlen des ersten Absatz durch Code ersetzt worden sein. Überprüfe ob alles stimmt.
Im nächsten Absatz ersetze die ersten beiden Zahlen durch n_2019 <- sum(year(airbnb_1819$Erstellungsdatum) == 2019); n_2019 und n_2018 <- sum(year(airbnb_1819$Erstellungsdatum) == 2018); n_2018. In diesen beiden Fällen siehst du, dass auch Zuweisungen in inline Code möglich sind.
Ersetze nun den wert des Zuwachses am Ende des Absatzes durch (round(n_2019/n_2018, 2) - 1)*100, was, wie du siehst, auf die beiden zuvor im inline Code definierten Objekte zurückgreift. Knitte das Dokument und überprüfe, ob nun alle Zahlen einwandfrei wiedergegeben werden.
Zuletzt verwende ** um den gesamten zweiten Absatz fett zu setzen. Setze hierfür einmal die zwei Asteriske vor das erste und nach dem letzten Wort des Absatzes. Nun alles wie im Zieldokument?

D - Neueinstellungen: Grafik Teil 1

Erstelle einen neuen Code Chunk. Einen Chunk erstellst du mit zunächst drei Gravis ```, dann direkt danach in der selben Zeile {r} und anschliessend nocheinmal drei Ticks in einer Zeile darunter. Wie in der Abbildung unten sollte sich der Hintergrund automatisch grau einfärben.

Kopiere in den Chunk, d.h., zwischen die zwei Zeilen mit den drei Gravis/Ticks, den Code unten, welcher eine erste Version der ersten Grafik im Bericht generiert.

# Plotte Häufigkeiten
ggplot(airbnb_1819 %>% 
      group_by(Jahr = year(Erstellungsdatum), 
               Monat_tmp = month(Erstellungsdatum)) %>% 
      summarize(Monat = as_factor(paste(first(Jahr), first(Monat_tmp), sep = '-')),
                Wohnungen = n()), 
      aes(x = Monat, y = Wohnungen, fill = Jahr)) + 
      geom_bar(stat = 'identity', position = 'dodge') + 
      theme(legend.position = 'none',
      axis.text.x = element_text(angle = 45, hjust = 1))

E - Chunk-Optionen

Aktuell zeigt dein “geknittetes” Dokument sowohl den Code für den Plot als auch den Plot selbst an. Das Dokument soll aber nur den Plot zeigen. Ergänze in den Chunk Optionen, d.h., innerhalb der geschwungenen Klammern nach dem r, echo = FALSE. Danach knitte das Dokument nocheinmal.

Das Dokument sollte nun den Code im Chunk nicht mehr anzeigen. Mache nun dieses Setting rückgängig, d.h., lösche echo = FALSE, es gibt nämlich einen zweiten Weg diesen und alle zukünftigen Code Chunks zu verstecken. Knitte das Dokument nachdem du das echo = FALSE entfernt hast.
Gehe nun zum Setup-Chunk ganz am Anfang es Dokuments (unter dem YAML header). Dort siehst du folgende Code Zeile knitr::opts_chunk$set(echo = TRUE), die aktuell impliziert, dass alle Code Chunks per default angezeigt werden. Setze nun hier echo = FALSE und knitte das Dokument. Der Code Chunk sollte nun wieder versteckt sein. Behalte diese Einstellung auch für die weiteren Sessions bei.
Ergänze nun zusätzlich in den allgemeinen Chunk-Optionen message = FALSE und warning = FALSE, was vollständig verhindert, dass Messages oder Warnings im Bericht auftauchen. Die finalen Settings sollten nun so aussehen.

knitr::opts_chunk$set(echo = FALSE, message = FALSE, warning = FALSE)

F - Neueinstellungen: Text Teil 2

Setze unten im Script eine weitere Überschrift auf vierter Ebene (####) mit dem Titel Stadtteile.
Unter die Überschrift setze den folgenden Text.

Neueinstellungen fallen nach wie vor sehr unterschiedlich in den Bezirken aus. Die meisten Neueinstellungen im Jahr 2019 gab es in Friedrichshain-Kreuzberg, die wenigsten in Marzahn - Hellersdorf.

Die grössten Veränderungen gab es in Marzahn - Hellersdorf und Treptow - Köpenick. In Marzahn - Hellersdorf schrumpften die Neueinstellungen um -13.3%, in Treptow - Köpenick wuchsen die Neueinstellungen um 137.8%.

Vor den Text setze den folgenden Chunk, welcher die Häufigkeiten der Neueinstellungen über die Stadtteile berechnet und im Objekt stadtteile speichert.

# Berechne Häufigkeiten über die Bezirke
stadtteile <- airbnb_1819 %>% 
              group_by(Stadtteil, 
                       Jahr = year(Erstellungsdatum)) %>% 
              summarize(Wohnungen = n()) %>% 
              ungroup() %>% 
              arrange(desc(Jahr), Wohnungen) %>% 
              mutate(Stadtteil = as_factor(Stadtteil))

Ersetze nun die die zwei im ersten Paragraph erwähnten Stadtteile durch stadtteile %>% filter(Jahr == 2019) %>% pull(Stadtteil) %>% last() und stadtteile %>% filter(Jahr == 2019) %>% pull(Stadtteil) %>% first(). Knitte das Dokument und schaue, ob die richtigen Namen eingesetzt wurden.
Kreiere einen neuen Chunk zwischen den beiden Absätzen mit dem folgenden Code, welcher einige Objekte erstellt, die die inline Ergänzungen im darauf folgenden Absatz erleichtern werden.

# Veränderung über die Stadtteile
veränderung = stadtteile %>% 
  group_by(Stadtteil) %>% 
  summarize(veränderung = (100 * (Wohnungen[Jahr == 2019]/Wohnungen[Jahr == 2018] - 1)) %>% round(1))

# Geringsten Veränderung
min_veränderung = veränderung %>% 
  slice(which.min(veränderung)) %>% 
  pull(veränderung)

# Stadteil mit der geringsten Veränderung
min_stadtteil = veränderung %>% 
  slice(which.min(veränderung)) %>% 
  pull(Stadtteil)

# Grösste Veränderung
max_veränderung = veränderung %>% 
  slice(which.max(veränderung)) %>% 
  pull(veränderung)

# Stadteil mit der grössten Veränderung
max_stadtteil = veränderung %>% 
  slice(which.max(veränderung)) %>% 
  pull(Stadtteil)

Ersetze die ersten beiden Stadtteil-Nennungen in beiden Sätzen durch min_stadtteil und max_stadtteil und knitte das Dokument. Passt alles?
Ersetze nun schrumpften und wuchsen durch ifelse(min_veränderung > 0, "wuchsen", "schrumpften") und ifelse(max_veränderung > 0, "wuchsen", "schrumpften"). Die beiden Codestücke können dann selbst entscheiden, ob die Veränderung eine positive oder negative ist und das jeweils richtige Wort einsetzen.
Abschliessend ersetze die beiden numerischen Werte durch min_veränderung und max_veränderung. Knitte das Dokument und überprüfe, ob alles in Ordnung ist.

G - Neueinstellungen: Grafik Teil 2

Erstelle einen neuen Chunk mit dem folgenden Code für die zweite Grafik.

# Plotte Häufigkeieten der Stadtteile
ggplot(stadtteile, 
       aes(y = Stadtteil, x = Wohnungen, group = Jahr, fill = Jahr)) + 
       geom_bar(stat = 'identity', position = 'dodge') + 
       theme(legend.position = 'none') + 
       labs(y = '')

Knitte das Dokument. Der erste Teil ist hiermit abgeschlossen.

H - 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?

I - 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?

J - 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?

K - 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?

L - 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?

M - 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?

N - 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?

O - YAML erweitern

Um Einstellungen des Dokuments vornehmen zu können füge zunächst hinter html_document im YAML Header einen Doppelpunkt hinzu.
Füge nun in einer Zeile darunter toc: true hinzu um ein Inhaltsverzeichnis zu ergänzen. Stelle sicher, dass toc: true gegenüber html_document: eingerückt ist. Knitte das Dokument. Siehst du alle Überschriften im Inhaltsverzeichnis?
Damit alle Überschriften Levels angezeigt werden ergänze in einer weiteren Zeile (selbe Ebene wie toc: true) den Befehl toc_depth: 5.
Knitte das Dokument. Wird der Abschnitt Neueinstellungen mit zwei Unterkapiteln Entwicklung und Stadteile angezeigt?
Füge in einer neuen Zeile: includes: hinzu und dann darunter eingrückt in_header: ../2_Assets/header.Rhtml ein. Damit lädst du eine kleine HTML Vorlage für den Kopf des Berichts.
Knitte das Dokument. Hat sich die Anzeige des Titels und Untertitels verändert? Ist das AirBnB Logo zu sehen?
Entferne nun die Zeile mit title: aus dem YAML Header, da jetzt kein zweiter Titel benötigt wird.
Als letztes Gestaltungselement ergänze theme: lumen auf der selben Ebene wie toc: true oberhalb von includes:, womit verschiedene Eigenschaften des Schriftbildes angepasst werden (hier findest du eine Übersicht über weitere Themes)
Knitte das Dokument. Sieht alles in Ordnung aus?

P - Grafiken

Als ersten Schritt um die Grafiken weiter anzupassen, ergänze in den allgemeinen Chunk-Optionen (knitr::opts_chunk$set()) im setup Chunk das Argument dev.args = list(bg = "transparent").
Nun ergänze im setup Chunk folgenden Code, welcher das theme der ggplot Grafiken auf theme_minimal setzt. Knitte das Dokument. Hat sich etwas verändert?

theme_set(theme_minimal())

Ergänze nun darunter folgenden Code um dafür zu sorgen, dass die Hintergründe der Grafiken transparent sind.

theme_update(panel.background = element_rect(fill = "transparent", colour = NA),
             plot.background = element_rect(fill = "transparent", colour = NA))

Gleich darunter, im setup Chunk, stelle mit folgendem Code die Farbpaletten der ggplot Grafiken auf die AirBnB Farben ein.

ggplot <- function(...) ggplot2::ggplot(...) + 
  scale_fill_gradientn(colors = c('#555555','#6BB7B9')) + 
  scale_colour_gradientn(colors = c('#555555','#6BB7B9'))

Knitte das Dokument. Hat sich der Hintergrund und die Farbpalette der Grafiken verändert?

Q - CSS Funktionen anpassen

Die Bildunterschriften sind noch nicht zentriert. Setze das HTML Tag center um die beiden cap Definitionen der Grafiken. Siehe Code.

"<center>Abbildung 1. Neueinstellungen pro Monat</center>"
"<center>Abbildung 2. Neueinstellungen pro Bezirk</center>"

In der Regressions-Tabelle, die Du mit sjPlot erstellt hast, ergänze CSS = list(css.caption = "font-weight: 500") um die Schrift anzupassen
Im gleichen Argument füge css.table = "width: auto; margin-right: 0px;margin-left: auto;" zusätzlich in die list ein, um die Tabelle rechts auszurichten.

R - Layout in 2 Spalten setzen

Setze folgenden HTML Code im Abschnitt Entwicklung ein - damit positionierst du den Text in die linke Spalte und die Grafik in die rechte Spalte.

Um nun die Berichtinhalte in zwei Spalten zu trennen - Text links, Abbildung rechts - setze zwischen #### Entwicklung und dem ersten Absatz “Seit …” folgenden HTML Code ein. Noch nicht Knitten!

<table>
  <col width = 40%>
  <col width = 10%>
  <col width = 50%>
  <tr>
  <td>

Ergänze nun zwischen dem zweitem Absatz und dem Grafik-Chunk den folgenden Code. Noch nicht Knitten!

  </td>
  <td>
  
  </td>
  <td>

Schliesslich ergänze zwischen dem Grafik-Chunk und #### Stadtteile den folgenden Code, welcher die HTML Tabelle abschliesst.

  </td>
  </tr>
</table>

Knitte jetzt das Dokument. Sind der Text und die Grafik nun in 2 Spalten gesetzt?
Für die weiteren Abschnitte gehe gleich vor. Zwischen #### Stadtteile und dem Code-Chunk für die Berechnung der Häufigkeiten über die Bezirke fügen den folgnden HTML Code ein. Noch nicht Knitten!

<table>
  <col width = 40%>
  <col width = 10%>
  <col width = 50%>
  <tr>
  <td>

Nach dem in fett gesetzten Absatz “Die grösste Veränderung…” und dem Grafik-Chunk füge den folgenden Code ein. Noch nicht Knitten!

  </td>
  <td>
  
  </td>
  <td>

Schliesslich ergänze nach dem Grafik-Chunk und vor ### Preis folgende HTML code um die Tabelle abzuschliessen.

  </td>
  </tr>
</table>

Knitte jetzt wieder das Dokument. Sind der Text und die Grafik nun in 2 Spalten gesetzt?
Für den Abschnitt ###Preis gehe gleich vor. Ergänze nach dem ersten Code-Chunk mit Berechnungen zur Ausstattung und vor dem ersten Absatz den folgenden Code. Noch nicht Knitten!

<table width=100%>
<col width = 25%>
<col width = 10%>
<col width = 65%>
<tr>
  <td>

Nach dem zweiten, fett gesetzten Absatz und dem Grafik Chunk füge folgenden Code ein. Noch nicht Knitten!

  </td>
  <td>
  
  </td>
  <td>

Ergänze nach dem Grafik Chunk und vor #### Regressionsmodell den Abschluss der Tabelle.

  </td>
  </tr>
</table>

Knitte jetzt wieder das Dokument. Sind der Text und die Grafik nun in 2 Spalten gesetzt?
Setze den letzten Abschnitt selbständig mit einer HTML Table (widths 50%, 10%, 40%) in 2 Spalten.
Knitte wieder das Dokument. Der gesamte Text ist nun in 2 Spalten gesetzt mit den Textinhalten links und den Grafiken bzw. Tabellen rechts.

S - CSS

Um allgmeine Gestaltungsmkermale des gesamten HTML-Berichts zu ändern erstelle die Datei my_airbnb.css und speichere sie in 2_Assets ab. Du kannst die Datei direkt in RStudio erstellen und mit .css als Extension speichern.
Binde nun die leere Datei im YAML Header deines Airbnb Markdown Dokumentes ein. Dafür ergänze css: ../2_Assets/airbnb.css unter html_document: (selbe Ebene wie toc: true)
Füge den folgenden Code in my_airbnb.css hinzu um die vertikale Ausrichtung der Tabellen anzupassen. Speichere die .css Datei und knitte dein Markdown Dokument.

table td {
  vertical-align: top;
  }

Ergänze weiterhin folgenden Code my_airbnb.css um Schriftart und Farbe der beiden Überschriftenlevel anzupassen. Die .css Datei speichern und knitten.

h3, h4 {
  font-weight: 500;
  color: #555555;
}

Um sowohl die Farbe des Links, als auch den Mouseover Effekt (Link verändert sich, wenn der Mauscursor auf den Link zeigt) an das Farbschema anzupassen ergänze folgenden Code in my_airbnb.css und knitte das Dokument.

a, a:hover {
  color: #007D8C;
  }

Als letztes Designelement wirst du nun ein Wasserzeichen als Hintergrundbild einfügen. Ergänze dafür den folgenden Code in deiner my_airbnb.css Datei und knitte das Dokument.

body {
  background-image: url(watermark.svg);
  background-repeat: repeat-y;
  background-size: contain;
  }

Knitte dein Dokument. Du solltest nun einen wohlformatierten AirBnB Bericht vor dir haben.
Speichere das fertige Dokument unter: 3_Markdown/airbnb_final.Rmd ab.

Datensatz

Der Airbnb.csv Datensatz enthält Zahlen zu 9868 Berliner Airbnbs

Variable	Beschreibung
Preis	Preis pro Nacht
Erstellungsdatum	Eröffnungsdatum des Airbnbs
Unterkunftsart	Appartement, Loft, Haus, 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("lubridate")`

Funktionen

Funktion	Paket	Beschreibung
`strftime`	`lubridate`	Formatierung von Daten
`ggplot`	`ggplot`	Erstellen von Grafiken

Materialien

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

Markdown

Reporting mit R Data Analytics 4 PB

Überblick

Aufgaben

A - Setup

B - Präambel

C - Neueinstellungen: Text Teil 1

D - Neueinstellungen: Grafik Teil 1

E - Chunk-Optionen

F - Neueinstellungen: Text Teil 2

G - Neueinstellungen: Grafik Teil 2

H - Präambel: Fussnote einfügen

I - Neueinstellungen: Plots

J - Preise: Neuer Texteil

K - Preise: Neuer Texteil

L - Preis: Tabelle 1 erzeugen

M - Preise: Text Teil

N - Preise: Regressionstabelle

O - YAML erweitern

P - Grafiken

Q - CSS Funktionen anpassen

R - Layout in 2 Spalten setzen

S - CSS

Datensatz

Funktionen

Paket

Funktionen

Materialien

Reporting mit R
Data Analytics 4 PB