4  Data Wrangling 1: Transformation

Umwandlung von Daten

Autor:in

Zugehörigkeit

Daniela Palleschi

Humboldt-Universität zu Berlin

Lesungen

Die Pflichtlektüre zur Vorbereitung auf dieses Thema ist Kap. 4 (Data Transformation) in Wickham et al. (2023).

Eine ergänzende Lektüre ist Ch. 9 (Data Wrangling) in Nordmann & DeBruine (2022).

Wiederholung

Letze Woche haben wir…

• gelernt, was dynamische Berichte sind
• unser eigenes Quarto-Dokument erstellt
• gelernt, wie man ein Quarto-Dokument bearbeitet
• gelernt, wie man Code in ein Quarto-Dokument einfügt
• ein Quarto-Dokument in verschiedenen Formaten wiedergebt

Heutige Ziele

Heute werden wir…

• lernen, wie man Daten mit dem Paket dplyr aus dem tidyverse verarbeitet
• lernen, wie man die pipe (|>) verwendet, um das Ergebnis einer Funktion in eine andere Funktion einzuspeisen
• Funktionen kennenlernen, die auf Zeilen operieren
• Funktionen kennenlernen, die mit Spalten arbeiten
• lernen, wie man dplyr-Funktionen mit Plots von ggplot2 kombiniert

Lust auf mehr?

• Kapital 4 (Data transformation) in Wickham et al. (2023)
• Kapital 9 (Data wrangling) in Nordmann & DeBruine (2022)

4.1 Einrichtung

1. Frisches Quarto-Dokument
   • Erstellen Sie ein neues Quarto-Dokument für den heutigen Unterricht
     • Datei > Neues Dokument > Quarto Dokument, mit dem Namen 04-wrangling
   • YAML einrichten: Titel, Ihr Name, ein toc hinzufügen

title: "Data wrangling"
subtitle: "Transforming data"
author: "Your name here"
lang: de
date: "11/08/2023"
format: 
  html:
    toc: true

2. Pakete
   • Die heutigen Pakete sind:
     • tidyverse: zum Verarbeiten (dplyr) und Plotten (ggplot2)
     • languageR: für linguistische Datensätze

library(tidyverse)
library(languageR)

3. Daten
   • wir arbeiten wieder mit dem lexdec-Datensatz aus dem languageR-Paket (Baayen & Shafaei-Bajestan, 2019)
   • wir speichern ihn als Objekt mit dem Namen df_lexdec
   • wir wandeln auch die Variable RT um, so dass sie in Millisekunden angegeben wird (vorher war sie in log Millisekunden angegeben, aber machen Sie sich keine Gedanken darüber, was das bedeutet)
   • und wir wählen 10 Variablen aus, die für uns heute relevant sind

df_lexdec <- lexdec |> 
  mutate(RT = exp(RT)) |> 
  select(Subject, RT, Trial, Sex, NativeLanguage, Correct, Word, Frequency, Class, Length)

4.2 Data Wrangling

• Im Englischen bezieht sich “wrangling” auf einen langen, schwierigen Prozess
  • 26. B. treiben Cowboys ihre Rinder oder Herden zusammen (sammeln, sammeln ihre Tiere)
• Es gibt zwei Hauptbestandteile des Wrangling
  • Transformieren: Sortieren oder Erstellen neuer Variablen (was wir heute tun werden)
  • Aufräumen: Umformung oder Strukturierung Ihrer Daten (dies werden wir in einigen Wochen tun)
• Sowohl das Aufräumen als auch das Transformieren von Daten erfordern das Paket dplyr aus dem tidyverse.
  • dplyr Funktionen werden oft als Verben bezeichnet, weil sie etwas tun

Der Name dplyr

• Der Name dplyr kommt von einem früheren Paket, plyr, das dazu verwendet wird, Daten zu zerlegen, Funktionen darauf anzuwenden und zu kombinieren
  • Im Englischen klingt plyr wie das Wort für Zangen (“pliers”), die benutzt werden, um Dinge auseinander zu nehmen, wie das, was plyr mit Daten macht
  • das “d” in “dplyr” wurde hinzugefügt, weil das Paket speziell für die Arbeit mit Datenrahmen gedacht ist

4.2.1 lexdec

• der lexdec-Datensatz enthält Daten für eine lexikalische Entscheidungsaufgabe im Englischen
  • Schauen wir uns den Datensatz mit der Funktion head() an, die nur die ersten 6 Zeilen ausgibt
    • hier geben wir die ersten 10 Zeilen aus

• In meinen Materialien verwende ich oft die Funktion “head()”, um zu vermeiden, dass der gesamte Datensatz in der Ausgabe gedruckt wird, aber Sie würden im Allgemeinen nicht “head()” verwenden wollen, wenn Sie Ihre Daten betrachten, sondern Ihren gesamten Datensatz betrachten wollen

Aufgabe 4.1: df_lexdec

Beispiel 4.1  

1. Betrachten Sie den Datensatz
   • wie viele Beobachtungen gibt es?
   • Wie viele Variablen gibt es?
2. Geben Sie den Datensatz in die Funktion glimpse() ein.
   • Was zeigt Ihnen das?
   • Wie sieht es im Vergleich zu dem aus, was Sie sehen, wenn Sie summary() verwenden?

4.2.2 dplyr-Grundlagen

• heute lernen wir einige der wichtigsten dplyr-Verben (Funktionen) kennen, mit denen wir die meisten unserer Datenmanipulationsprobleme lösen können
  • Ich verwende diese Verben mehrfach in wahrscheinlich jedem Analyseskript
• Die dplyr-Verben haben einige Dinge gemeinsam:
  1. das erste Argument ist immer ein Datenrahmen
  2. die folgenden Argumente beschreiben in der Regel die zu bearbeitenden Spalten, wobei der Variablenname (ohne Anführungszeichen) verwendet wird
  3. die Ausgabe ist immer ein neuer Datenrahmen

• Die Verben sind alle für eine Sache gut geeignet, so dass wir oft mehrere Verben auf einmal verwenden wollen.
  • Wir verwenden dazu die Pipe (|> oder |>)
  • Wir haben diese Pipe bereits gesehen, als wir einen Datenrahmen in ggplot() einspeisten.
  • wir können die Pipe als und dann lesen

• In dem folgenden Code identifizieren
  • den Datenrahmen
  • dplyr-Verben
  • Variablennamen
• Kannst du versuchen, herauszulesen (zu erraten), was der folgende Code macht?

df_lexdec |> 
  filter(Subject == "A1") |> 
  select(Subject, Trial, RT, NativeLanguage, Word) |> 
  relocate(NativeLanguage, .after = Trial)

Korrekte Syntax

.Beachten Sie, dass A1 mit Anführungszeichen geschrieben wird, aber keiner der anderen Codes. Wenn wir ein Objekt (z.B. df_lexdec) oder seine Variablen (z.B. Subject) aufrufen, setzen wir sie nicht in Anführungszeichen. Wenn wir einen bestimmten Wert einer Variablen aufrufen, der nicht numerisch ist, müssen wir diesen Wert in Anführungszeichen setzen, weil die Subject ID A1 ein Wert der Variablen Subject ist, müssen wir sie in Anführungszeichen setzen.

Versuchen Sie, die Anführungszeichen zu entfernen. Welche Fehlermeldung erhalten Sie?

Versuchen Sie, einen Variablennamen in Anführungszeichen zu setzen, welche Fehlermeldung erhalten Sie?

Dies ist eine wichtige Übung, denn Sie werden oft feststellen, dass Ihr Code nicht läuft, aber die Lösung ist oft etwas so Einfaches wie fehlende oder zusätzliche Anführungszeichen oder Interpunktion.

4.3 Zeilen

• In aufgeräumten Daten stellen die Zeilen Beobachtungen dar.

• die wichtigsten Verben für Zeilen sind:

  • filter(): ändert, welche Zeilen vorhanden sind
  • arrange(): ändert die Reihenfolge der Zeilen

• Wir besprechen auch

  • distinct(): findet Zeilen mit unterschiedlichen Werten basierend auf einer Variablen (Spalte)

4.3.1 filter()

• ändert, welche Zeilen vorhanden sind, ohne ihre Reihenfolge zu ändern
• nimmt den Datenrahmen als erstes Argument
  • Die folgenden Argumente sind Bedingungen, die TRUE sein müssen, damit die Zeile erhalten bleibt

• findet alle Reaktionszeiten, die länger als 450 Millisekunden waren:

df_lexdec |> 
  filter(RT > 450) |> 
  head()

  Subject       RT Trial Sex NativeLanguage Correct       Word Frequency  Class
1      A1 566.9998    23   F        English correct        owl  4.859812 animal
2      A1 548.9998    27   F        English correct       mole  4.605170 animal
3      A1 572.0000    29   F        English correct     cherry  4.997212  plant
4      A1 486.0002    30   F        English correct       pear  4.727388  plant
6      A1 483.0002    33   F        English correct blackberry  4.060443  plant
8      A1 524.9999    38   F        English correct   squirrel  4.709530 animal
  Length
1      3
2      4
3      6
4      4
6     10
8      8

• Beachten Sie, dass wir den Wert der Reaktionszeit nicht in Anführungszeichen setzen, da er numerisch ist

• wenn Sie die gefilterten Daten speichern wollen, ist es in der Regel ratsam, sie unter einem neuen Objektnamen zu speichern
  • wenn Sie die vorgefilterte Version nicht überschreiben wollen, ist ein neuer Name erforderlich

df_lexdec_450 <- 
  df_lexdec |> 
  filter(RT > 450)

Logische Operatoren

• Symbole, die zur Beschreibung einer logischen Bedingung verwendet werden
  • == ist identisch (1 == 1)
  • != ist nicht identisch (1 != 2)
  • > ist größer als (2 > 1)
  • < ist kleiner als (1 < 2)
• um Bedingungen zu kombinieren
  • & oder , und auch (für mehrere Bedingungen)
  • | oder (für mehrere Bedingungen)
• es gibt eine nette Abkürzung für die Kombination von == und |: %in%
  • behält Zeilen, in denen die Variable gleich einem der Werte auf der rechten Seite ist

== und |

df_lexdec |> 
  filter(Trial == 30 | Trial == 23) |> 
  head()

    Subject       RT Trial Sex NativeLanguage Correct    Word Frequency  Class
1        A1 566.9998    23   F        English correct     owl  4.859812 animal
4        A1 486.0002    30   F        English correct    pear  4.727388  plant
475      A2 561.0001    23   M        English correct     dog  7.667626 animal
949       C 688.0001    23   F        English correct vulture  4.248495 animal
83        D 553.0000    30   M          Other correct  walnut  4.499810  plant
317       J 824.0004    23   F          Other correct  beaver  3.951244 animal
    Length
1        3
4        4
475      3
949      7
83       6
317      6

%in%

df_lexdec |> 
  filter(Trial %in% c(30, 23)) |> 
  head()

    Subject       RT Trial Sex NativeLanguage Correct    Word Frequency  Class
1        A1 566.9998    23   F        English correct     owl  4.859812 animal
4        A1 486.0002    30   F        English correct    pear  4.727388  plant
475      A2 561.0001    23   M        English correct     dog  7.667626 animal
949       C 688.0001    23   F        English correct vulture  4.248495 animal
83        D 553.0000    30   M          Other correct  walnut  4.499810  plant
317       J 824.0004    23   F          Other correct  beaver  3.951244 animal
    Length
1        3
4        4
475      3
949      7
83       6
317      6

Aufgabe 4.2: filter()

Beispiel 4.2  

1. Filtern Sie die Daten, um Zeilen aus Trial 25 und Nicht-Muttersprachler (Other) einzuschließen.
2. Wie viele Zeilen gibt es?

4.3.2 arrange()

• ändert die Reihenfolge der Zeilen auf der Grundlage eines Wertes in einer oder mehreren Spalten

df_lexdec |> 
  arrange(RT) |> 
  head()

     Subject       RT Trial Sex NativeLanguage   Correct    Word Frequency
542       A2 340.0001   159   M        English incorrect     pig  6.660575
815        K 347.9998    83   F        English incorrect   lemon  5.631212
822        K 363.0001    99   F        English incorrect  potato  6.461468
73        A1 364.9999   174   F        English   correct chicken  6.599870
524       A2 365.9999   117   M        English   correct   goose  5.267858
1516       I 367.0001    51   F          Other   correct  carrot  4.976734
      Class Length
542  animal      3
815   plant      5
822   plant      6
73   animal      7
524  animal      5
1516  plant      6

• wenn Sie mehr als einen Spaltennamen verwenden, wird jede zusätzliche Spalte verwendet, um die Verbindung zwischen den Werten der vorangegangenen Spalten zu lösen

df_lexdec |> 
  arrange(Length,Sex) |> 
  head(10)

    Subject       RT Trial Sex NativeLanguage   Correct Word Frequency  Class
1        A1 566.9998    23   F        English   correct  owl  4.859812 animal
5        A1 414.0000    32   F        English   correct  dog  7.667626 animal
15       A1 556.9999    53   F        English   correct  bee  5.700444 animal
20       A1 456.9998    61   F        English incorrect  bat  5.918894 animal
31       A1 581.9997    88   F        English   correct  fox  5.652489 animal
44       A1 494.0002   113   F        English   correct  pig  6.660575 animal
62       A1 467.9999   152   F        English   correct  cat  7.086738 animal
64       A1 875.9999   157   F        English   correct  ant  5.347108 animal
719      A3 607.0001    41   F          Other   correct  ant  5.347108 animal
720      A3 562.0001    44   F          Other   correct  pig  6.660575 animal
    Length
1        3
5        3
15       3
20       3
31       3
44       3
62       3
64       3
719      3
720      3

• wir können desc() innerhalb von arrange() hinzufügen, um eine absteigende Reihenfolge (groß-klein) anstelle der standardmäßigen aufsteigenden Reihenfolge zu verwenden

df_lexdec |> 
  arrange(desc(Length)) |> 
  head()

    Subject       RT Trial Sex NativeLanguage Correct       Word Frequency
6        A1 483.0002    33   F        English correct blackberry  4.060443
7        A1 417.9998    34   F        English correct strawberry  4.753590
69       A1 540.9998   168   F        English correct woodpecker  2.890372
505      A2 503.9999    87   M        English correct woodpecker  2.890372
516      A2 400.9998   105   M        English correct strawberry  4.753590
518      A2 517.0001   108   M        English correct blackberry  4.060443
     Class Length
6    plant     10
7    plant     10
69  animal     10
505 animal     10
516  plant     10
518  plant     10

Aufgabe 4.3: arrange()

Beispiel 4.3  

1. Filtere die Daten so, dass sie nur Beobachtungen der “Probanden” M1 und W2 enthalten, und dann
2. Ordnen Sie die Daten nach absteigender Reaktionszeit

4.4 Spalten

• In Tidy Data stellen die Spalten Variablen dar.

• die wichtigsten Verben für Spalten sind:

  • rename(): ändert die Namen der Spalten
  • mutate(): erzeugt neue Spalten, die von den vorhandenen Spalten abgeleitet werden
  • select(): ändert, welche Spalten vorhanden sind
  • relocate(): ändert die Position der Spalten

4.4.1 rename()

• Mit rename() können wir den Namen von Spalten ändern
  • die Reihenfolge der Argumente ist neuer_name = alter_name
• Versuchen wir, einige der Variablennamen auf Deutsch zu ändern
  • Ich neige dazu, Variablennamen in Kleinbuchstaben zu schreiben, als Kodierungskonvention

## single variable
df_lexdec <- 
  df_lexdec |>
  rename(teilnehmer = Subject)

## or multiple variables at once
df_lexdec <- 
  df_lexdec |> 
 rename(rz_ms = RT,
        geschlect = Sex,
        laenge = Length)

4.4.2 mutate()

• Mit mutate() werden neue Spalten aus vorhandenen Spalten erzeugt.
  • So können wir z.B. einfache Algebra mit den Werten in jeder Spalte durchführen

df_lexdec |> 
  mutate(
    rz_laenge = rz_ms / laenge,
  ) |> 
  head()

  teilnehmer    rz_ms Trial geschlect NativeLanguage Correct       Word
1         A1 566.9998    23         F        English correct        owl
2         A1 548.9998    27         F        English correct       mole
3         A1 572.0000    29         F        English correct     cherry
4         A1 486.0002    30         F        English correct       pear
5         A1 414.0000    32         F        English correct        dog
6         A1 483.0002    33         F        English correct blackberry
  Frequency  Class laenge rz_laenge
1  4.859812 animal      3 188.99994
2  4.605170 animal      4 137.24994
3  4.997212  plant      6  95.33333
4  4.727388  plant      4 121.50005
5  7.667626 animal      3 138.00000
6  4.060443  plant     10  48.30002

• Mit mutate() werden diese neuen Spalten auf der rechten Seite des Datensatzes hinzugefügt.
  • Das macht es schwierig zu sehen, was passiert.
• um zu kontrollieren, wo die neue Spalte hinzugefügt wird, können wir .before oder .after verwenden

df_lexdec |> 
  mutate(
    rz_laenge = rz_ms / laenge,
    .after = rz_ms
  ) |> 
  head()

  teilnehmer    rz_ms rz_laenge Trial geschlect NativeLanguage Correct
1         A1 566.9998 188.99994    23         F        English correct
2         A1 548.9998 137.24994    27         F        English correct
3         A1 572.0000  95.33333    29         F        English correct
4         A1 486.0002 121.50005    30         F        English correct
5         A1 414.0000 138.00000    32         F        English correct
6         A1 483.0002  48.30002    33         F        English correct
        Word Frequency  Class laenge
1        owl  4.859812 animal      3
2       mole  4.605170 animal      4
3     cherry  4.997212  plant      6
4       pear  4.727388  plant      4
5        dog  7.667626 animal      3
6 blackberry  4.060443  plant     10

Rendernpause!

Nehmen Sie sich einen Moment Zeit, um Ihr Dokument zu rendern. Wird es gerendert?

Können Sie das Dokument besser strukturieren? Z. B. durch Hinzufügen von mehr Überschriften, Text?

Aufgabe 4.4: mutate()

Beispiel 4.4  

1. Erstellen Sie eine neue Variable namens rz_s in df_lexdec, die:
   • entspricht rz_ms geteilt durch 1000 (d.h. wandelt Millisekunden in Sekunden um)
   • erscheint nach rz_ms. Rendern Sie Ihr Dokument

4.4.3 select()

• select() fasst die Daten so zusammen, dass sie nur die gewünschten Spalten enthalten

• Spalten nach Namen auswählen

df_lexdec |> 
  select(teilnehmer, rz_ms, Word) |> 
  head()

  teilnehmer    rz_ms       Word
1         A1 566.9998        owl
2         A1 548.9998       mole
3         A1 572.0000     cherry
4         A1 486.0002       pear
5         A1 414.0000        dog
6         A1 483.0002 blackberry

• select alle Spalten zwischen rz_ms und geschlecht

df_lexdec |> 
  select(rz_ms:geschlect) |> 
  head()

     rz_ms      rz_s Trial geschlect
1 566.9998 0.5669998    23         F
2 548.9998 0.5489998    27         F
3 572.0000 0.5720000    29         F
4 486.0002 0.4860002    30         F
5 414.0000 0.4140000    32         F
6 483.0002 0.4830002    33         F

• alle Spalten außer rz_s auswählen (! wird als “nicht” gelesen)

df_lexdec |> 
  select(!rz_s) |> 
  head()

  teilnehmer    rz_ms Trial geschlect NativeLanguage Correct       Word
1         A1 566.9998    23         F        English correct        owl
2         A1 548.9998    27         F        English correct       mole
3         A1 572.0000    29         F        English correct     cherry
4         A1 486.0002    30         F        English correct       pear
5         A1 414.0000    32         F        English correct        dog
6         A1 483.0002    33         F        English correct blackberry
  Frequency  Class laenge
1  4.859812 animal      3
2  4.605170 animal      4
3  4.997212  plant      6
4  4.727388  plant      4
5  7.667626 animal      3
6  4.060443  plant     10

4.4.3.1 select()-Hilfsfunktionen

• einige Hilfsfunktionen, die das Leben bei der Arbeit mit select() erleichtern:
  • starts_with("abc"): wählt Spalten aus, die mit einer bestimmten Zeichenkette beginnen
  • ends_with("xyz"): wählt Spalten aus, die mit einer bestimmten Zeichenkette enden
  • contains("ijk"): wählt Spalten aus, die eine bestimmte Zeichenkette enthalten
  • where(is.character): wählt Spalten aus, die einem logischen Kriterium entsprechen
    • z.B. gibt die Funktion is.character() den Wert TRUE zurück, wenn eine Variable Zeichenketten enthält, nicht numerische Werte oder Kategorien

df_lexdec |> 
  select(starts_with("w")) |> 
  head()

        Word
1        owl
2       mole
3     cherry
4       pear
5        dog
6 blackberry

df_lexdec |> 
  select(ends_with("er")) |> 
  head()

  teilnehmer
1         A1
2         A1
3         A1
4         A1
5         A1
6         A1

Aufgabe 4.5: select()

Beispiel 4.5  

1. Drucke die Spalten in df_lexdec, die mit “t” beginnen
2. Drucke die Spalten in df_lexdec, die “ge” enthalten
3. Drucke die Spalten in df_lexdec, die
   • mit mit “r” beginnen, und
   • mit “s” enden

4.4.4 relocate()

• relocate() verschiebt Variablen
  • standardmäßig werden sie nach vorne verschoben

df_lexdec |> relocate(Trial) |> 
  head()

  Trial teilnehmer    rz_ms      rz_s geschlect NativeLanguage Correct
1    23         A1 566.9998 0.5669998         F        English correct
2    27         A1 548.9998 0.5489998         F        English correct
3    29         A1 572.0000 0.5720000         F        English correct
4    30         A1 486.0002 0.4860002         F        English correct
5    32         A1 414.0000 0.4140000         F        English correct
6    33         A1 483.0002 0.4830002         F        English correct
        Word Frequency  Class laenge
1        owl  4.859812 animal      3
2       mole  4.605170 animal      4
3     cherry  4.997212  plant      6
4       pear  4.727388  plant      4
5        dog  7.667626 animal      3
6 blackberry  4.060443  plant     10

• aber wir können auch .before oder .after verwenden, um eine Variable zu platzieren

df_lexdec |> 
  relocate(Trial, .after = teilnehmer) |> 
  head()

  teilnehmer Trial    rz_ms      rz_s geschlect NativeLanguage Correct
1         A1    23 566.9998 0.5669998         F        English correct
2         A1    27 548.9998 0.5489998         F        English correct
3         A1    29 572.0000 0.5720000         F        English correct
4         A1    30 486.0002 0.4860002         F        English correct
5         A1    32 414.0000 0.4140000         F        English correct
6         A1    33 483.0002 0.4830002         F        English correct
        Word Frequency  Class laenge
1        owl  4.859812 animal      3
2       mole  4.605170 animal      4
3     cherry  4.997212  plant      6
4       pear  4.727388  plant      4
5        dog  7.667626 animal      3
6 blackberry  4.060443  plant     10

4.5 dplyr und ggplot2

• wir können einen Datensatz mit den dplyr-Verben ändern und diese Änderungen dann in ggplot2 einspeisen

• Was wird der folgende Code ergeben?

df_lexdec |> 
  ## filter the data
  filter(rz_ms > 120,
         rz_ms < 500) |> 
  ## plot the filtered data
  ggplot(aes(x = rz_ms, fill = Correct)) +
  geom_histogram() +
  theme_minimal()

4.5.1 Pipe versus plus (|> vs. +)

• wichtig: wir können Pipes (|>) verwenden, um zusätzliche Verben/Funktionen mit dem Ergebnis einer vorherigen Codezeile auszuführen
  • Die Funktion ggplot() verwendet jedoch +, um neue Ebenen zur Darstellung hinzuzufügen

Rendernpause!

Nehmen Sie sich einen Moment Zeit, um Ihr Dokument zu rendern. Wird es gerendert?

Können Sie das Dokument besser strukturieren? Z. B. durch Hinzufügen von mehr Überschriften, Text?

Weitere Übungen

Weitere Übungen zu diesem Kapitel finden Sie in Kapitel A.4.

Heutige Ziele 🏁

Heute haben wir gelernt…

• wie man Daten mit dem Paket dplyr aus dem tidyverse verarbeitet ✅
• wie man die pipe (|>) verwendet, um das Ergebnis einer Funktion in eine andere Funktion einzuspeisen ✅
• über Funktionen, die auf Zeilen operieren ✅
• über Funktionen, die auf Spalten operieren ✅
• wie man dplyr-Funktionen mit Plots von ggplot2 kombiniert ✅

Session Info

Hergestellt mit R version 4.4.0 (2024-04-24) (Puppy Cup) und RStudioversion 2023.9.0.463 (Desert Sunflower).

sessionInfo()

R version 4.4.0 (2024-04-24)
Platform: aarch64-apple-darwin20
Running under: macOS Ventura 13.2.1

Matrix products: default
BLAS:   /Library/Frameworks/R.framework/Versions/4.4-arm64/Resources/lib/libRblas.0.dylib 
LAPACK: /Library/Frameworks/R.framework/Versions/4.4-arm64/Resources/lib/libRlapack.dylib;  LAPACK version 3.12.0

locale:
[1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8

time zone: Europe/Berlin
tzcode source: internal

attached base packages:
[1] stats     graphics  grDevices datasets  utils     methods   base     

other attached packages:
 [1] languageR_1.5.0 lubridate_1.9.3 forcats_1.0.0   stringr_1.5.1  
 [5] dplyr_1.1.4     purrr_1.0.2     readr_2.1.5     tidyr_1.3.1    
 [9] tibble_3.2.1    ggplot2_3.5.1   tidyverse_2.0.0

loaded via a namespace (and not attached):
 [1] gtable_0.3.5      jsonlite_1.8.8    compiler_4.4.0    renv_1.0.7       
 [5] tidyselect_1.2.1  scales_1.3.0      yaml_2.3.8        fastmap_1.1.1    
 [9] R6_2.5.1          generics_0.1.3    knitr_1.46        htmlwidgets_1.6.4
[13] munsell_0.5.1     pillar_1.9.0      tzdb_0.4.0        rlang_1.1.3      
[17] utf8_1.2.4        stringi_1.8.3     xfun_0.43         timechange_0.3.0 
[21] cli_3.6.2         withr_3.0.0       magrittr_2.0.3    digest_0.6.35    
[25] grid_4.4.0        rstudioapi_0.16.0 hms_1.1.3         lifecycle_1.0.4  
[29] vctrs_0.6.5       evaluate_0.23     glue_1.7.0        fansi_1.0.6      
[33] colorspace_2.1-0  rmarkdown_2.26    tools_4.4.0       pkgconfig_2.0.3  
[37] htmltools_0.5.8.1

Baayen, R. H., & Shafaei-Bajestan, E. (2019). languageR: Analyzing Linguistic Data: A Practical Introduction to Statistics. https://CRAN.R-project.org/package=languageR

Nordmann, E., & DeBruine, L. (2022). Applied Data Skills. Zenodo. https://doi.org/10.5281/zenodo.6365078

Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (2023). R for Data Science (2. Aufl.).