Seminar R – Datenaufbereitung mit tidyverse und SQL

Seminarbeschreibung

Verlässliche Auswertungen beginnen mit überprüfbaren Daten. Das Seminar vertieft die Aufbereitung heterogener Dateien und relationaler Tabellen. Dabei stehen fachliche Regeln und nachvollziehbare Entscheidungen im Vordergrund: Welche Werte fehlen tatsächlich, welche Tabellenbeziehungen sind zulässig und welche Transformationen verändern die Anzahl der Beobachtungen?

Ein zusammenhängender Datenbestand wird importiert, bereinigt und für die spätere Analyse vorbereitet. Die Verarbeitung in R wird mit Abfragen auf einer vorbereiteten SQL-Datenbank verglichen. Besonderes Gewicht erhalten Kontrollsummen, die Erkennung unerwarteter Mehrfachtreffer und die Trennung unveränderter Rohdaten von abgeleiteten Analysebeständen.

Zielgruppe

Datenanalysten, Fachkräfte aus Controlling und Berichtswesen sowie R-Anwender mit regelmäßigem Zugriff auf Dateien oder relationale Datenbanken.

Voraussetzungen

Kenntnisse entsprechend dem Seminar „R und RStudio – Grundlagen der Datenanalyse“: Skripte, Data Frames, grundlegende dplyr-Befehle und relative Dateipfade. Erste SQL-Kenntnisse sind hilfreich; einfache SELECT-Abfragen werden eingeführt.

Lernziele

• Heterogene Daten anhand expliziter Regeln importieren und prüfen.
• Tabellenbeziehungen kontrollieren und Daten ohne unbemerkte Zeilenvervielfachung verbinden.
• Aufbereitungsschritte mit dplyr und tidyr wiederverwendbar formulieren.
• Abfragen mit DBI und dbplyr ausführen und lokale Verarbeitung gezielt begrenzen.

Inhaltsübersicht

1. Importregeln und Datenqualität
2. Transformationen mit dplyr
3. Struktur, Text und Zeitangaben
4. Joins und relationale Konsistenz
5. SQL, DBI und dbplyr
6. Wiederholbare Aufbereitung

Seminarinhalte

Importregeln und Datenqualität

Die Datenaufnahme erhält nachvollziehbare Annahmen und Prüfungen.

• CSV- und Excel-Importe mit festen Spaltentypen und verständlicher Fehlerbehandlung aufbauen.
• Fehlende Werte, Ersatzcodes und fachlich unzulässige Werte auseinanderhalten.
• Eindeutige Schlüssel, Zeilenzahlen und Kontrollsummen dokumentieren.

Transformationen mit dplyr

Wiederkehrende Aufbereitungsschritte werden konsistent umgesetzt.

• Mit mutate, case_when und across mehrere Variablen bearbeiten.
• Gruppierte Berechnungen, Rangfolgen und gleitende Vergleiche einordnen.
• Gruppierungszustände prüfen und unbeabsichtigte Aggregationen vermeiden.

Struktur, Text und Zeitangaben

Unterschiedliche Darstellungen werden in eine analysierbare Tabellenstruktur überführt.

• Mit pivot_longer und pivot_wider zwischen breiten und langen Formaten wechseln.
• Zeichenketten mit stringr bereinigen und Kategorien mit forcats ordnen.
• Datums- und Zeitwerte mit lubridate interpretieren; Zeitzonen und ungültige Eingaben berücksichtigen.

Joins und relationale Konsistenz

Tabellen werden anhand geprüfter Beziehungen zusammengeführt.

• Inner-, Left-, Semi- und Anti-Joins passend zur fachlichen Frage einsetzen.
• Ein-zu-eins-, Eins-zu-viele- und Viele-zu-viele-Beziehungen vor dem Join prüfen.
• Nicht zugeordnete Schlüssel und veränderte Summen systematisch untersuchen.

SQL, DBI und dbplyr

Die Datenbank übernimmt geeignete Filter- und Aggregationsaufgaben.

• Verbindungen aufbauen, Abfragen parametrisieren und Zugangsdaten außerhalb des Codes halten.
• SELECT, WHERE, GROUP BY und JOIN auf einer bereitgestellten Datenbank anwenden.
• Verzögerte Ausführung und SQL-Übersetzung in dbplyr untersuchen; collect bewusst einsetzen.

Wiederholbare Aufbereitung

Ein kompletter Datenlauf wird kontrolliert aktualisierbar gestaltet.

• Rohdaten, Zwischenstände und Analysebestand organisatorisch trennen.
• Prüfregeln als ausführbare Kontrollen festhalten und Abbrüche bei Fehlern vorsehen.
• Einen zweiten Datenstand einspielen und Änderungen an Umfang und Qualität bewerten.

Praxisprojekt

1. Kunden-, Buchungs- und Veranstaltungsdaten aus Dateien und einer Datenbank einlesen.
2. Schlüssel, Kategorien und Datumsfelder vereinheitlichen.
3. Fehlende Zuordnungen mit Anti-Joins untersuchen und zulässige Beziehungen festlegen.
4. Kennzahlen datenbankseitig vorbereiten und in R weiterverarbeiten.
5. Den gesamten Datenlauf mit einem veränderten Quelldatenbestand erneut ausführen.