Übung 6 - Grundlagen: Programmieren mit R
FS 2026
Wiederholung & Vertiefung: Eigene Funktionen & Kontrollstrukturen
In dieser Übung beschäftigen wir uns mit den Grundlagen des Programmierens in R: eigene Funktionen und Kontrollstrukturen (Schleifen und Bedingungen). Ziel ist nicht, perfekten Code zu schreiben, sondern zu verstehen, wann und warum diese Werkzeuge sinnvoll eingesetzt werden.
Logische Vergleiche — Bausteine für Bedingungen
Bevor wir Funktionen und Schleifen schreiben, brauchen wir die Grundbausteine: Logische Vergleiche erzeugen TRUE oder FALSE und sind die Basis für if-Bedingungen, filter() und Ausreisser-Erkennung.
| Operator | Bedeutung | Beispiel | Ergebnis |
|---|---|---|---|
== |
gleich | 3 == 3 |
TRUE |
!= |
ungleich | 3 != 5 |
TRUE |
>, < |
grösser / kleiner | 7 > 10 |
FALSE |
>=, <= |
grösser-gleich / kleiner-gleich | 5 >= 5 |
TRUE |
%in% |
in Menge enthalten? | "KG" %in% c("KG", "EG") |
TRUE |
is.na() |
fehlender Wert? | is.na(NA) |
TRUE |
Verknüpfungen kombinieren mehrere Bedingungen:
&(UND): beide müssen gelten —x > 0 & x < 100|(ODER): mindestens eine muss gelten —x < 0 | x > 100!(NICHT): kehrt um —!is.na(x)
Zugriff auf Daten: Indexierung
R bietet verschiedene Wege, auf Spalten und Zeilen in einem Datensatz zuzugreifen:
| Notation | Wann verwenden? | Beispiel |
|---|---|---|
$ |
Interaktive Arbeit, Name bekannt | daten$wm_score |
[[]] |
Funktionen & Schleifen (Name als Variable) | daten[["wm_score"]] oder daten[[var]] |
[zeilen, spalten] |
Flexible Auswahl von Zeilen und Spalten | daten[1:5, c("id", "wm_score")] |
Der [[]]-Operator ist der Schlüssel für Schleifen, weil der Variablenname in einer Variable stehen kann:
var <- "wm_score"
daten[[var]] # funktioniert — greift auf die Spalte wm_score zu
daten$var # funktioniert NICHT — sucht eine Spalte namens "var"Das DRY-Prinzip: Don’t Repeat Yourself
Das DRY-Prinzip gilt nicht nur für Code, sondern für alle Werte, die sich ändern könnten. Die Grundidee: Jede Information wird einmal an einer zentralen Stelle festgelegt und danach nur noch referenziert.
DRY für Werte — Einstellungen am Anfang des Skripts definieren:
# --- Einstellungen (einmal festlegen, überall verwenden) ---
datei_name <- "WM_Fragebögen.csv"
min_bereich <- 0
max_bereich <- 100
grenze_na <- 0.10
text_groesse <- 14
# Später im Skript:
daten <- read.csv2(here("daten", datei_name))
ggplot(daten, ...) + theme(text = element_text(size = text_groesse))Ändert sich der Dateiname oder die Schriftgrösse, muss nur eine Zeile am Anfang angepasst werden — nicht jede Stelle im Skript, an der der Wert vorkommt.
DRY für Logik — Wiederholte Schritte in Funktionen auslagern:
Wird die gleiche Logik mehrfach verwendet, sollte sie in eine Funktion ausgelagert werden. Vorteile:
- Wartbarkeit: Fehler müssen nur an einer Stelle korrigiert werden.
- Transparenz: Argumente dokumentieren explizit, welche Parameter variiert werden.
- Lesbarkeit: Ein sprechender Funktionsname erklärt, was der Code tut.
Kontrollstrukturen
| Struktur | Zweck | Beispiel |
|---|---|---|
for-Schleife |
Gleichen Schritt für jedes Element wiederholen | Ausreisser-Flags für alle Spalten mit flag_iqr_outliers() berechnen |
if/else |
Bedingte Ausführung | Warnung ausgeben, wenn Ausreisser gefunden wurden |
next |
Nicht-relevante Fälle überspringen | Nicht-numerische Spalten in der Schleife überspringen |
| Kombination | Systematische Prüfung mit Entscheidung | Alle numerischen Spalten prüfen und nur auffällige melden |
Entscheidungshilfe: Wann eine Funktion schreiben?
- Gleicher Code mehr als zweimal verwendet? → Funktion schreiben
- Komplexe Logik, die erklärt werden muss? → Funktion zur Dokumentation
- Verschiedene Parameter je nach Kontext? → Funktion mit Argumenten
- Einmalige, einfache Operation? → Direkt ausführen
Übungen
Beantworten Sie die folgenden Fragen zu Funktionen und Kontrollstrukturen in R.
In welcher der folgenden Situationen ist es am sinnvollsten, eine eigene Funktion zu schreiben?
Eine eigene Funktion ist dann sinnvoll, wenn die gleiche Logik mehrfach mit unterschiedlichen Parametern angewendet wird. Die Bereichsprüfung in drei Datensätzen mit je unterschiedlichen Grenzen ist ein klassischer Fall: Die Prüflogik bleibt gleich, aber die Parameter (Bereichsgrenzen) variieren — genau das lässt sich elegant als Funktion mit Argumenten lösen. Die anderen Situationen sind einmalige, einfache Operationen, für die keine eigene Funktion nötig ist.
Betrachten Sie folgenden Code:
ergebnis <- c()
for (i in 1:length(daten)) {
if (daten[i] > 100) {
ergebnis <- c(ergebnis, "auffällig")
} else {
ergebnis <- c(ergebnis, "unauffällig")
}
}Was beschreibt die Funktion dieses Codes am besten?
Der Code durchläuft mit einer for-Schleife jeden Wert im Vektor daten. Für jeden Wert prüft die if-Bedingung, ob er grösser als 100 ist. Falls ja, wird “auffällig” an den neuen Vektor ergebnis angehängt, sonst “unauffällig”. Am Ende enthält ergebnis für jede Position in daten eine Klassifikation. Wichtig: Der ursprüngliche Vektor daten wird nicht verändert — es wird ein neuer Vektor erstellt. Der Code entfernt also keine Werte und berechnet keinen Mittelwert.
Sie haben in Ihrem R-Skript denselben Codeblock an fünf verschiedenen Stellen kopiert, der jeweils prüft, ob Werte in einem bestimmten Bereich liegen. Welche Aussagen zum DRY-Prinzip (Don’t Repeat Yourself) sind korrekt?
Das DRY-Prinzip bedeutet, dass wiederholte Logik in eine Funktion ausgelagert werden soll — so muss ein Fehler nur an einer Stelle korrigiert werden, und die Prüfkriterien (z. B. Minimal- und Maximalwert) werden als Argumente explizit dokumentiert. Falsch ist, dass jede Codezeile nur einmal vorkommen darf — das DRY-Prinzip bezieht sich auf wiederholte Logik, nicht auf einzelne Zeilen. Ebenso falsch ist, dass Funktionen R erheblich verlangsamen — der Overhead ist vernachlässigbar, und die Vorteile für Wartbarkeit und Lesbarkeit überwiegen deutlich.
