Summary  
This chapter introduces ggplot2’s layered grammar-of-graphics API, showing how to initialize a plot with data and aesthetic mappings and then add geometry layers via geom_* functions to build custom visuals.  

General domain of usage  
Data visualization

`ggplot2` ist Teil der tidyverse-Sammlung von R-Paketen. Es wird verwendet, um leistungsstarke, schichtbasierte und anpassbare Datenvisualisierungen zu erstellen.

Um es zu verwenden, laden Sie die Bibliotheken:
```
library(tidyverse)
library(ggplot2)
```

Und deaktivieren Sie die wissenschaftliche Notation, um Diagramme besser lesbar zu machen:
```
options(scipen = 999)
```

## Grundstruktur eines ggplot2-Diagramms
Jede ggplot2-Visualisierung wird in Schichten aufgebaut:
```
ggplot(data, aes(x, y)) +
  geom_function()
```
- `data`: der verwendete Datensatz;
- `aes()`: ästhetische Zuordnungen (definieren, wie Variablen auf Achsen oder andere Eigenschaften abgebildet werden);
- `geom_*()`: Geometrie-Schicht (bestimmt, wie die Daten dargestellt werden, z. B. als Balken, Punkte oder Linien).

Was ist der Zweck der Funktion aes() in ggplot2?


Sammeln Sie praktische Erfahrungen in der Datenanalyse mit R, indem Sie lernen, Datensätze zu bereinigen, zu transformieren und zu visualisieren. Erkunden Sie grundlegende Arbeitsabläufe wie das Auswählen und Filtern von Daten, den Umgang mit fehlenden Werten und das Zusammenfassen von Ergebnissen. Stärken Sie Ihr Vertrauen in die Vorbereitung von Daten für Erkenntnisse, Berichte und weiterführende statistische Analysen.

Erkunden Sie die Grundlagen der Datenanalyse mit R. Erfahren Sie, wie Sie die Werkzeuge installieren, Datensätze laden und inspizieren, Informationen auswählen und filtern, Daten sortieren und transformieren, fehlende Werte behandeln und Ergebnisse für tiefere Einblicke zusammenfassen.

Erlernen der Erstellung aussagekräftiger Visualisierungen mit ggplot2. Erstellung von Balkendiagrammen, Histogrammen, Dichteplots und Streudiagrammen sowie Anpassung und Verfeinerung dieser mit Stiloptionen und Facettierung zur Aufdeckung tieferer Einblicke in die Daten.

Vertiefung des Verständnisses von Statistik für die Datenanalyse. Anwendung beschreibender Kennzahlen, Identifikation und Behandlung von Ausreißern sowie Nutzung von Korrelationsmethoden mit visuellen Werkzeugen wie Heatmaps und Streudiagrammen zur Aufdeckung signifikanter Zusammenhänge.

Einführung in Ggplot2

Grundstruktur eines ggplot2-Diagramms

Zusammenfassung