5  GMJV Functies Gebruiken

Voor de rapportage hebben we een aantal R-functies geschreven waarmee de resultaten van de monitor enigzins gebruiksvriendelijk in de lopende tekst, grafieken of tabellen gezet kunnen worden.

In de volgende hoofdstukken worden verschillende grafiekfuncties uitgelegd en hoe je deze zelf kunt aanpassen.

Tip

In dit document wordt gebruikt gemaakt van de ‘pipe-operator’ %>%.

De pipe-operator stuurt een resultaat door naar de volgende functie. Op deze manier kunnen meerdere bewerkingen in R overzichtelijk aan elkaar gekoppeld worden. Een uitleg van de magrittr pipe (en de voordelen).

Zonder de pipe-operator zou het aanroepen van maak_responstabel er zo uit zien:

maak_responstabel(data = monitor_df, crossings = "gender_2cat", ...)

Met pipe-operator

monitor_df %>% maak_responstabel(crossings = "gender_2cat", ...)

Alle functies in dit document hebben als eerste argument ‘data’, waar een dataframe wordt verwacht. Dit argument zal niet per functie uitgelegd worden omdat het altijd nodig is.

5.1 Filtering of vergelijking per jaar

Standaard zullen alle functies data op jaar filteren zodat alleen de gegevens van 2024 worden getoond.

Als het de bedoeling is om de data van 2022 met die van 2024 te vergelijken kan dit gedaan worden door de jaarvariabele in te voeren bij een var_crossing. De variabelcode voor de jaarvariabele is: “AGOJB401”. Let op, dit is niet voor alle functies mogelijk.

5.2 Filtering of vergelijking per regio

Standaard zullen alle functies data op GGD-regio filteren en groeperen. Dit kan gewijzigd worden met het argument niveaus.

  • niveaus: character vector met drie mogelijke waarden c(“nl”,“regio”,“gemeente”)

Als er één niveau wordt doorgegeven wordt de data gefilterd en gegroepeerd op dat niveau. Als er meerdere niveaus worden doorgegeven worden die niveaus vergeleken als dat mogelijk is.

5.3 Uitsplitsingen

In de (voorbeeld)rapportage worden uitsplitsingen standaard op regionaal niveau getoond. Dit omdat veel gemeentes niet genoeg deelnemers hebben voor uitsplitsingen. Mocht je dit willen aanpassen, dan kan dat met het argument niveaus.

5.4 Labels van variabelen aanpassen

Standaard worden voor de meeste grafiek- en tekstfuncties die labels van de variabelen gebruikt voor de legenda. Deze labels kunnen aangepast worden met de functies val_label() en var_label().

  • var_label(): past het label van de variabele aan.
  • val_label(): past het label van een bepaalde waarde binnen de variabele aan.

In het onderstaande voorbeeld wordt val_label gebruikt om de categorieën binnen de variabele LVVTA404 (Vertrouwen in de toekosmt) te hernoemen:

# Labels aanpassen
val_label(monitor_df$LVVTA404, 1) <- 'Weinig tot geen (cijfer 5 of lager)'
val_label(monitor_df$LVVTA404, 2) <- 'Matig tot redelijk (cijfer 6 of 7)'
val_label(monitor_df$LVVTA404, 3) <- '(heel) veel (cijfer 8 of hoger)'

Zoals je ziet heeft val_label 2 argumenten nodig:

  • Het eerste argument: de variabele waar het over gaat. In dit geval gaat het over de variabele LVVTA404 in de dataset monitor_df, dus monitor_df$LVVTA404
  • Het tweede argument: de waarde van de variabele waar het overgaat. De variabele LVVTA404 heeft 3 categorieën en per categorie wordt er een nieuw label toegewezen.

Het stuk achter de <- geeft aan wat het nieuwe label van deze waarde moet worden. Het nieuwe label van variabele LVVTA404 voor waarde 1 wordt met deze code dus ‘Weinig tot geen (cijfer 5 of lager)’.

Een ander voorbeeld. In het eerste codeblok in de (voorbeeld)rapportage wordt val_label gebruikt om de namen van de gemeente en de regio aan te passen:

# Hernoemen gemeente en regio: labels aanpassen zodat deze anders zijn in grafieken
# Gemeente: gemeente voor gemeentenaam zetten
val_label(monitor_df$Gemeentecode, params$gemeentecode) <-
  paste('gemeente', val_label(monitor_df$Gemeentecode, params$gemeentecode))

# Regio: GGD vervangen door regio
val_label(monitor_df$GGDregio, params$regiocode) <- 
  str_replace(val_label(monitor_df$GGDregio, params$regiocode), "GGD", "regio")