Indhold<br><br><a href='./R-Books-indholdsoversigt.docx'>R-Books-indholdsoversigt.docx</a><br /><br /><a href='./R-Oversigt.docx'>R-Oversigt.docx</a><br /><br /><a href='./clean_data.R'>clean_data.R</a><br /><br /><a href='./SQLite.R'>SQLite.R</a><br /><br /><a href='./Data Cleaning in R.docx'>Data Cleaning in R.docx</a><br /><br /><a href='./Excel in R.docx'>Excel in R.docx</a><br /><br /><a href='./pivot-tables.R'>pivot-tables.R</a><br /><br /> 
<br><br>
Siden august-2023 har jeg arbejdet på lidt nedsat arbejdstid, så jeg har haft god tid til at sætte mig yderligere ind i R 
på RStudio. Interessen er opstået fordi jeg har fået øjnene op for arbejdsmuligheder med R, som supplement til min viden 
om Python. Jeg søger nemlig nu aktivt væk fra mit nuværende undervisningsjob. 
Desuden synes jeg også, at det er sjovt at programmere og løse problemer i et nyt sprog. Jeg har lagt noget af mit m
ateriale om R op i en mappe på min hjemmeside bjarnephys.com/R/(denne mappe!). 
Filerne er lavet til eget brug, men fremvises for at underbygge mine påstande. 

<h2>R-kompetancer</h2>
Det har været en positiv erfaring med R. Meget minder om Python; RStudio er en bedre, mere helstøbt platform end Spyder, jeg bruger til Python. Der findes meget bedre materiale på nettet for R, mange komplette bøger til download, godt datamateriale, end for Python. Communitiet indenfor R er nok mere organiseret end indenfor Python. <br><br>
Jeg har fået god forståelse for en række job-relevante emner vha. flere bøger(jeg har kopieret fra bøgerne, det fylder ca 1000 sider i Word, <a href='./R-Books-indholdsoversigt.docx'>R-Books-indholdsoversigt.docx</a>, men også ved problemløsning hjulpet af web-søgninger -jeg er rimeligt selvhjulpen, i langt de fleste tilfælde får jeg før eller siden kodeeksemplerne til at virke.<br><br>

<br>
<b>Arbejde med Exceldata i R:</b> Læse og skrive til/fra Excelfiler, se <i>Excel in R.docx</i>

<br><br><b>Dataoprensning af problemdata:</b> Har arbejdet med indlæsning af cvs- og Excel-filer med fejl. Har afprøvet gode metoder i R til at undersøge data for fejl, til hurtigt at rette mange fejl, se <i>clean_data.R</i> scriptet.
<br><br>
<b>Datamanipulation:</b> group by, sortering, select(kolonnesæt), søgning, filtering, pivot-tabeller, mest med DataFrames, men også lidR-Books-indholdsoversigt.docxt med mere kraftfulde DataTables, som især er beregnet til større datamængder. Lave hurtigt og nemt basal statistik over data, opdage problemer i datasæt.

<br><br>
<b>Gode plot-muligheder:</b> man kan fx nemt vise datafordelingen indenfor flere gruppeniveauer.

<br><br>
<b>RStudio platformen:</b> hvor eksemplerne er gennemprøvet. Her har jeg arbejdet lidt med Git, rigtigt godt til samarbejde om projekter, lidt med R-Markdown, der muliggør websider med indlejret R og Pyton kode. Har afprøvet at gemme og reetablerer projekt-environment. 
<br><br>Jeg har lavet min egen oversigt over det basale i R,  se <i>R-Oversigt.docx</i>

<br><br>
<b>Statisk-analyse med R</b><br>
Nemt tilgængelige testmuligheder for lineære sammenhænge mellem variable i datasæt, korrelationer mellem data.
Mere sjældne anvendelser som chi^2-test, t-test, ANOVA test for signifikante forskelle i middelværdier mellem forskellige datasæt. Jeg har også set på hvordan tidsafhængige datasæt kan behandles. 
Her er mine relativt stærke matematik kompetencer, med matematik-bifag, en fordel.