# Einführung in R

Die Auswertung von wissenschaftlichen Daten mit R ist nicht schwierig und bietet unzählige Möglichkeiten zur Darstellung und Analyse. Im folgenden werden die grundlegenden Schritte aufgezeigt.

## R Installieren

1. Installationspakete für R und RStudio können von [dieser Seite](https://posit.co/download/rstudio-desktop/) herunterladen und installieren
2. Zuerst sollte _R_ installiert werden
3. Danach wird die Oberfläche _RStudio_ installiert
4. Starte danach RStudio

## Beispiel: Clusteranalyse

1. Erstelle eine neuen Ordner für die Analyse (z.B. _IntroR_)
2. Lade nun den Beispieldatensatz deinen PC und kopiere ihn in diesen Ordner

[aehnlichkeiten5j0123 (XLSX, 13.53 KB)](media/files/aehnlichkeiten5j0123.xlsx){.tm-download file-xlsx}

3. Kopiere folgenden Code in R Studio

```R
data = read.csv("Aehnlichkeiten5J0123.csv")

rownames(data) = data$X
data$X = NULL

#data$X.1 = NULL

d = dist(scale(data))
hc = hclust(d, method = "complete")

plot(hc)

# principle component analysis

res = prcomp(scale(data))
plot(res)
biplot(res)
```


## Experiment: Pflanzenwachstum

[root shoot ratio (XLSX, 19.15 KB)](media/files/root-shoot-ratio-br-da-3g0320-zusammen-cerl-1.xlsx){.tm-download file-xlsx}

### Vorgehen 

1. .xlsx "aufräumen" und als .csv abspeichern
1. Daten in R importieren
1. Datentypen prüfen
1. grob graphisch darstellen für ersten Einblick
1. Relevante Messwerte wählen & Gruppen zuteilen
1. Spezifischen Plot erstellen
1. Unterschiede zwischen Gruppen testen

```R
data = read.csv("Root_Shoot_Ratio_Br_Da_3G0320_clean.csv", sep=",")
data
plot(data)

plot(data$Dünger, data$Spross..mm.)
data$dünger_conc = 10^data$Dünger
data$ratio = as.double(data$ratio)

plot(data$dünger_conc, data$Spross..mm.)
plot(data$dünger_conc, data$Spross..mm.)

data$Dünger = factor(data$Dünger, levels = c(0,1,-1,-3), labels = c("kein", "viel", "wenig", "sehr wenig"))
plot(data$Dünger, data$Spross..mm.)
```