library(tidyverse)
library(lubridate)


# Aufgabe 1
currency_list = read_csv('https://raw.githubusercontent.com/NikoStein/dma_data/main/currency_list.csv')
currency_prices = read_csv('https://raw.githubusercontent.com/NikoStein/dma_data/main/currency_price.csv')
gpu_list = read_csv('https://raw.githubusercontent.com/NikoStein/dma_data/main/gpu_list.csv')
gpu_prices = read_csv('https://raw.githubusercontent.com/NikoStein/dma_data/main/gpu_price.csv')

# a) Stellen Sie die Preisentwicklung der gelisteten Grafikkarten in einem geeigneten Diagramm dar.
gpu_list %>%
  head()
gpu_prices %>%
  head()

gpu_prices %>%
  left_join(gpu_list, by=c('id' = 'id')) %>%
  ggplot(aes(x=date, y=price, color=name)) +
  geom_line() + xlab('Datum') + ylab('Preis') + theme_bw()


# b)	Berechnen Sie die Preisänderung der einzelnen Grafikkarten im Vergleich zum ersten Listing und 
# speichern Sie diese in einer neuen Variablen.
gpu_prices %>%
  group_by(id) %>%
  arrange(date) %>%
  mutate(abs_price_change = price - first(price)) %>%
  mutate(rel_price_change = abs_price_change/first(price)) %>%
  left_join(gpu_list, by=c('id' = 'id')) -> gpu_prices_change

gpu_prices_change %>%
  ggplot(aes(x=date, y=rel_price_change, color=name)) +
  geom_line() + xlab('Datum') + ylab('Preisänderung') + theme_bw() +
  scale_y_continuous(labels = scales::percent)

# c) Offensichtlich unterliegen die Grafikkartenpreise teils großen Schwankungen. Berechnen Sie für jede 
# gelistete Grafikkarte geeignete Statistiken, um die Preisschwankungen zu aggregieren. 
# Welche Grafikkarte unterliegt den höchsten Schwankungen, welche den geringsten?
gpu_prices_change %>%
  group_by(name) %>%
  summarise(min_rel_change = min(rel_price_change),
            max_rel_change = max(rel_price_change),
            var_rel_change = var(rel_price_change)) %>%
  mutate(span = max_rel_change - min_rel_change) %>%
  arrange(desc(var_rel_change))


# d) Stellen Sie im nächsten Schritt die Preisentwicklung der gelisteten Kryptowährungen in einem geeigneten 
# Diagramm dar. Berechnen und visualisieren Sie zusätzlich die prozentualen Preisänderungen.
currency_prices %>%
  ggplot(aes(x=date, y=price, color=id)) + geom_line() +
  theme_bw()

currency_prices %>%
  group_by(id) %>%
  arrange(date) %>%
  mutate(abs_price_change = price - first(price)) %>%
  mutate(rel_price_change = abs_price_change/first(price)) -> currency_prices_change

currency_prices_change %>%
  ggplot(aes(x=date, y=rel_price_change, color=id)) + theme_bw() + 
  scale_y_continuous(labels = scales::percent) + geom_line()
  

# e)	Verbinden Sie die beiden Datensätze und vergleichen Sie die Preisentwicklung der Kryptowährungen mit 
# der Preisentwicklung der Grafikkarten.
gpu_prices_change %>%
  left_join(currency_prices_change, by = c('date' = 'date')) %>%
  ggplot(aes(x=date)) + geom_line(aes(y=rel_price_change.x, group=name.x), color='red') +
  geom_line(aes(y=rel_price_change.y, group=name.y), color='blue') + 
  theme_minimal() + xlab('Datum') + ylab("Preisänderung")+ scale_y_continuous(labels = scales::percent)



# Aufgabe 2
obesity = read_csv('https://raw.githubusercontent.com/NikoStein/dma_data/main/obesity.csv')

# a) Zeigen Sie die weltweite Entwicklung von Adipositas im Zeitverlauf mittels einer geeigneten Grafik.
obesity %>%
  filter(Country %in% c('Afghanistan', 'Germany', 'United States of America', 
                        'Russian Federation', 'Australia', 'Republic of Korea')) %>%
  ggplot(aes(x=Year, y=ObesePer100, color=Country)) + geom_line() +
  facet_wrap(~Sex) + theme_bw()



# b) In wie vielen Ländern gibt es 2016 einen höheren Anteil an Adipositas als 1975, in wie vielen einen geringeren?
obesity %>%
  na.omit() %>%
  group_by(Country) %>%
  summarise(obese75 = ObesePer100[Year == 1975],
            obese16 = ObesePer100[Year == 2016]) %>%
  mutate(increased_obesity = obese16 > obese75) %>%
  ungroup() %>%
  summarise(n_increase = sum(increased_obesity),
            count = n())



# c) Vergleichen Sie die Entwicklung von Adipositas in den G7 Staaten 
# (Deutschland, Frankreich, Italien, Japan, Kanada, Vereinigtes Königreich, USA).
g7_nations = c('Germany', 'France', 'Italy', 'Japan', 'Canada', 'United Kingdom of Great Britain and Northern Ireland', 'United States of America')


#d)	In wie vielen Ländern sind Frauen häufiger von Adipositas betroffen als Männer? 
# Wie hat sich die Verteilung über die Jahre verändert?
obesity %>%
  na.omit() %>%
  filter(Year == 2016) %>%
  group_by(Country) %>%
  summarise(obeseF = ObesePer100[Sex == 'Female'],
            obeseM = ObesePer100[Sex == 'Male']) %>%
  mutate(femaleGmale = obeseF > obeseM) %>%
  summarise(countFemale = sum(femaleGmale), 
            coutn = n())


obesity %>%
  na.omit() %>%
  filter(Country %in% g7_nations) %>%
  group_by(Country, Year) %>%
  summarise(obeseF = ObesePer100[Sex == 'Female'],
            obeseM = ObesePer100[Sex == 'Male']) %>%
  ggplot(aes(x=Year, group=Country)) + geom_line(aes(y=obeseF), color='red') + 
  geom_line(aes(y=obeseM), color='blue')


# e) In welchen Ländern hat Adipositas verhältnismäßig am stärksten zugenommen? Wie erklären Sie sich die Ergebnisse?