Upload files to "Aufgabe_3"

Aufgabe_3/Aufgabe 3 - krebsfälle_in_deutschland.Rmd

@@ -0,0 +1,343 @@
+---
+title: "3 Krebsfälle in Deutschland"
+output: html_notebook
+---
+
+# 3 Krebsfälle in Deutschland
+
+### Alle benötigten Libraries aktivieren
+
+```{r}
+
+library(ggplot2)
+library(dplyr)
+library(tidyr)
+library(tibble)
+
+```
+
+------------------------------------------------------------------------
+
+### Dunkles Design für die Grafiken setten
+
+```{r}
+
+# theme_set(
+#     theme(
+#       plot.background = element_rect(fill = "#1E1E1E", color = NA),
+#       panel.background = element_rect(fill = "#1E1E1E", color = NA),
+#       text = element_text(color = "white"),
+#       axis.text = element_text(color = "white"),
+#       panel.grid = element_line(color = "#444444"),
+#       legend.background = element_rect(fill = "#1E1E1E", color = NA),
+#       legend.key = element_rect(fill = "#1E1E1E", color = NA),
+#       strip.background = element_rect(fill = "grey20", color = NA),
+#       strip.text = element_text(color = "white")
+#     )
+# )
+
+## To reset all colors to default:
+theme_set(theme_grey())
+
+```
+
+------------------------------------------------------------------------
+
+## 3.1 Einlesen der Daten und Data Preprocessing
+
+```{r}
+
+krebs_df = read.csv2(
+  "Krebsdaten.csv",
+  header = FALSE,
+  skip = 1,                  # skips the first row
+  stringsAsFactors = FALSE   # FALSE because we will convert all data types manually later
+)
+
+```
+
+```{r}
+
+head(krebs_df, 5)
+
+```
+
+### Letzte leere Spalte entfernen
+
+```{r}
+
+krebs_df = krebs_df[, 1:5]
+
+```
+
+### Spalten Namen benennen
+
+```{r}
+
+colnames(krebs_df) = c(
+  "Jahr",
+  "Diagnose",
+  "Geschlecht",
+  "Altersgruppe",
+  "Prävalenz"
+)
+
+```
+
+```{r}
+
+head(krebs_df, 5)
+
+```
+
+```{r}
+
+dim(krebs_df)
+
+```
+
+### Data Frame in ein Tibble umwandeln
+
+```{r}
+
+krebs_tib = as_tibble(krebs_df)
+
+head(krebs_tib, 5)
+
+```
+
+### Datentypen aller Spalten überprüfen
+
+```{r}
+
+sapply(krebs_tib, class)
+
+```
+
+### Spalten vor der Data Type Conversion genauer analysieren
+
+For each column, we should check all unique values so that we can see if there are any Null values, etc... For the `Prävalenz` column, we need to do some additional analysis steps.
+
+**1. Werte der Spalte `Jahr` checken**
+
+```{r}
+
+sort(unique(krebs_tib$Jahr))
+
+```
+
+**2. Werte der Spalte `Diagnose` checken**
+
+```{r}
+
+unique(krebs_tib$Diagnose)
+
+```
+
+**3. Werte der Spalte `Geschlecht` checken**
+
+```{r}
+
+unique(krebs_tib$Geschlecht)
+
+```
+
+**4. Werte der Spalte `Altersgruppe` checken**
+
+```{r}
+
+unique(krebs_tib$Altersgruppe)
+
+```
+
+**5. Werte der Spalte `Prävalenz` checken**
+
+We should manually check if there are any non-numeric values. We can simply convert the entire column to numeric and anything that is not able to be converted will automatically be converted to `NA`. Then we can just count those `NA`s to see how many they are. *(It's important to know how many they are so that later we can either fill them or delete the entire row, etc...)*
+
+```{r}
+
+# Original values
+krebs_prävalenz = krebs_tib$Prävalenz
+
+# Converting to numeric
+converted = as.numeric(gsub("\\.", "", krebs_prävalenz))
+
+# Find all values that could not be converted
+invalid_values = krebs_prävalenz[is.na(converted)]
+
+# Show all the non-numeric values that were not converted
+unique(invalid_values)
+length(invalid_values)
+
+```
+
+Deleting those rows will lead to a loss of information, so we will keep them.
+
+#### Fehlende Werte pro Spalte prüfen (vor der Data Type Conversion)
+
+```{r}
+
+colSums(is.na(krebs_tib))
+
+```
+
+### Convert Data Types
+
+```{r}
+
+krebs_tib = krebs_tib |>
+  mutate(
+    Geschlecht = as.factor(Geschlecht),
+    Altersgruppe = as.factor(Altersgruppe),
+    Prävalenz = as.numeric(gsub("\\.", "", Prävalenz))   # Removes the '.' from '600.000' => '600000'
+  )
+
+```
+
+#### Datentypen nach der Conversion checken
+
+```{r}
+
+sapply(krebs_tib, class)
+
+```
+
+#### Noch einmal auf fehlende Werte checken
+
+*We see that these 630 missing values in `Prävalenz` are the values we analysed above.*
+
+```{r}
+
+colSums(is.na(krebs_tib))
+
+```
+
+------------------------------------------------------------------------
+
+### Warum enthält der Datensatz `x`-Werte?
+
+Bei der Datenaufbereitung wurden **630 Einträge (Cells) mit dem Wert `x`** in der Spalte `Prävalenz` gefunden.
+
+Laut der Datenbank kennzeichnet `x` eine **nicht sinnvolle Merkmalskombination**, also zum Beispiel bei geschlechtsspezifischen Krebsdiagnosen.
+
+Das sind alle Kombinationen:
+
+| Diagnose                    | Geschlecht | Anzahl `x` |
+|-----------------------------|------------|-----------:|
+| Eierstöcke (C56)            | männlich   |        105 |
+| Gebärmutterhals (C53)       | männlich   |        105 |
+| Gebärmutterkörper (C54–C55) | männlich   |        105 |
+| Vulva (C51)                 | männlich   |        105 |
+| Hoden (C62)                 | weiblich   |        105 |
+| Prostata (C61)              | weiblich   |        105 |
+
+**Beispiel:**
+
+Prostatakrebs ist in dieser Statistik eine männliche Krebsdiagnose. Deshalb wird für die Kombination `Prostata (C61)` und `weiblich` keine numerische Prävalenz angegeben, sondern `x`.
+
+Die Werte sind also **absichtlich nicht angegeben**. Es handelt sich nicht um zufällig fehlende Messwerte. Also macht es auch keinen Sinn die Werte zu **imputieren**.
+
+------------------------------------------------------------------------
+
+### **Lösung:** Geben Sie die ersten 10 Zeilen und 7 Spalten als Tabelle aus
+
+```{r}
+
+head(krebs_tib, 10)
+
+```
+
+**Note**
+
+Im originalen Datensatz haben wir nur 5 Spalten und nicht 7.
+
+## 3.2 Übersicht aller Krebsarten
+
+### Daten für die Visualization vorbereiten
+
+```{r}
+
+präv_krebs = krebs_tib |>
+  filter(Jahr == 2024 & Altersgruppe == "55 - 64" & Diagnose != "Krebs gesamt (C00-C97 ohne C44)") |>
+  drop_na(Prävalenz)
+
+dim(präv_krebs)
+head(präv_krebs, 5)
+
+```
+
+**Note**
+
+*We filter out "Krebs gesamt" because it isn't an actual Diagnosis.*
+
+### **Lösung:** Balkendiagramm erstellen
+
+```{r fig.width=10, fig.height=6}
+
+ggplot(präv_krebs) +
+  geom_bar(aes(y = Diagnose, x = Prävalenz, fill = Geschlecht), stat = "identity") +
+  labs(
+    title = "Krebsprävalenz nach Diagnose und Geschlecht",
+    subtitle = "2024, Altersgruppe 55–64 Jahre"
+  ) +
+  scale_fill_discrete(
+    labels = c("Männlich", "Weiblich")
+  )
+
+```
+
+**Begründung unserer Motivation für den Plot Design**
+
+Für die Position der Bars, haben wir den default value `stacked` benutzt, da es die unterschiedlichen Geschlechte schon klar darstellt. Eine andere Option wäre `dodge`, aber da der Plot schon ziemlich groß ist, würde es ein bisschen chaotisch sein. Zusatätzlich, haben wir die Legend Labels überschrieben und titel/ subtitel hinzugefügt.
+
+## 3.3 Prävalenz nach Altergruppen und Geschlecht
+
+### Dataset kurz für einen Überblick zeigen
+
+```{r}
+
+head(krebs_tib, 100)
+
+```
+
+### Daten für die Visualization vorbereiten
+
+```{r}
+
+präv_krebs_2 = krebs_tib |>
+  filter(Diagnose == "Krebs gesamt (C00-C97 ohne C44)") |>     # We only keep the 'Krebs gesamt' Diagnosen
+  mutate(
+    Altersstufe = ifelse(                                      # Add a new column Altersstufe consisting of
+      Altersgruppe == "0 - 44" | Altersgruppe == "45 - 54",    # values either `bis 54` or `ab 55` for each 
+      "bis 54",                                                # existing Altersgruppe
+      "ab 55"
+    )
+  ) |>
+  group_by(Jahr, Geschlecht, Altersstufe) |>
+  summarize("Prävalenz Altersstufe" = sum(Prävalenz))          # Add a new column Prävalenz Altersstufe
+                                                               # containing the summed Prävalenz per Altersstufe
+
+dim(präv_krebs_2)
+head(präv_krebs_2, 100)
+
+```
+
+*Here we don't have to drop `NA`s because we are only using the `Diagnose` "Krebs gesamt" which contains all the summed `Prävalenzen` of each `Diagnose`, so we wouldn't get any 0 values/ Null values.*
+
+### **Lösung:** 2 Liniendiagramme erstellen
+
+```{r fig.width=10, fig.height=6}
+
+ggplot(präv_krebs_2, aes(Jahr, `Prävalenz Altersstufe`, color = Altersstufe)) +
+  geom_line(linewidth = 1.5) +
+  facet_wrap(~ Geschlecht) +
+  labs(
+    title = "Krebsprävalenz nach Altersstufe und Geschlecht",
+    subtitle = "2004 bis 2024, Alterstufen: bis 54 & ab 55"
+  ) +
+  scale_y_continuous(
+    labels = scales::label_number(),
+    limits = c(0, NA)
+  )
+
+```

Aufgabe_3/metadaten.txt

@@ -0,0 +1,12 @@
+Letzte Aktualisierung: 19.11.2025
+Prävalenz, Fallzahlen in Deutschland
+Gewählte Filter:
+Altersgruppen: 0 - 75+
+Diagnose: Krebs gesamt (C00-C97 ohne C44), Mundhöhle und Rachen (C00-C14), Speiseröhre (C15), Magen (C16), Dünndarm (C17), Darm (C18-C20), Anus u. Analkanal (C21), Leber (C22), Gallenblase und Gallenwege (C23-C24), Bauchspeicheldrüse (C25), Kehlkopf (C32), Lunge (C33-C34), Malignes Melanom der Haut (C43), Mesotheliom (C45), Weichteilgewebe ohne Mesotheliom (C46-C49), Brustdrüse (C50), Vulva (C51), Gebärmutterhals (C53), Gebärmutterkörper (C54-C55), Eierstöcke (C56), Prostata (C61), Hoden (C62), Niere (C64), Harnblase (C67), Zentrales Nervensystem (C70-C72), Schilddrüse (C73), Morbus Hodgkin (C81), Non-Hodgkin-Lymphome (C82-C88), Multiples Myelom (C90), Leukämien (C91-C95)
+Geschlecht: männlich, weiblich
+Intervall-Länge in Jahren: 5
+Jahre: 2004 - 2024
+* : Keine sinnvolle Auswertung möglich aufgrund zu geringer Fallzahlen.
+x : Keine sinnvolle Kombination, beispielsweise bei einer geschlechtsspezifischen Diagnose.
+<5 : Es sind weniger als 5 Fälle registriert. Aus Datenschutzgründen wird die genaue Anzahl nicht publiziert.
+"Zentrum für Krebsregisterdaten im Robert Koch-Institut: Datenbankabfrage mit Schätzung der Inzidenz, Prävalenz und des Überlebens von Krebs in Deutschland auf Basis der epidemiologischen Landeskrebsregisterdaten. Mortalitätsdaten bereitgestellt vom Statistischen Bundesamt. www.krebsdaten.de/abfrage, Letzte Aktualisierung: 19.11.2025, Abrufdatum: (Datum der Abfrage)"