Digitale Dokumentation in R zu Schauer 2025 ‘La Hoguette - Kultur, Phänomen, Subkultur?’

1 Einleitung

1.1 Inhalt

Dieses Skript umfasst die Dokumentation der zu Kapitel 6.3.2.c - Schauer (2025) gehörigen Abbildungen und Statistiken:

• Kapitel 6.3.2.c - Rottenburg-Hailfingen ‘Unter dem Tübinger Weg’: Abb. 6-144 - Skript Kapitel 4 zum Überblick über die Datengrundlage sowie Streudiagramm Abb. 6-145 - Skript Kapitel 5.

• Kapitel 6.3.2.c.i - Rezepturen: Berechnung des Multivariaten Normabstands von Modell 1 (Skript Kapitel 6) für Haupt- (Kapitel 6.2.4.b.i) und Spurenelemente (Kapitel 6.2.4.b.ii). Ebenfalls hier durchgeführt die Berechnung des Multivariaten Normabstandes für Modell 3 der Hauptelemente (Skript Kapitel 12). Abb. 6-146 - Skript Kapitel 7 veranschaulicht den multivariaten Normabstand, Abb. 6-147 - Skript Kapitel 8 das Streudiagramm von Modell 1. Auf eine Erstellung des Histogramms von Modell 1 wurde aufgrund der Eindeutigkeit von Abb. 6-146 - Skript Kapitel 7 verzichtet. Für Modell 2 sind sämtliche Schritte der Klassifizierung der Proben in chemische Gruppen als Streudiagramme hinterlegt (Skript Kapitel 9); das finale Streudiagramm für Modell 2 findet sich in Abb. 6-148 - Skript Kapitel 10, das Histogramm des Multivariaten Normabstandes in Abb. 6-149 - Skript Kapitel 11. Abb. 6-150 - Skript Kapitel 13 zeigt das Streudiagramm für Modell 3; jenes der Kennwerte der Rezepturen findet sich in Abbildung Abb. 6-151 - Skript Kapitel 15. Das Ergebnis von Dunns Test für das finale Modell 2 ist ebenfalls hinterlegt (Skript Kapitel 14). Das Zusammenspiel von Probenanzahl und Rezepturen und Keramiktechnologie findet sich in Abbildung Abb. 6-152 - Skript Kapitel 16. Weitere Abbildungen zeigen das Zusammenspiel von Rezepturen und Datierung (Abb. 6-153 - Skript Kapitel 17) sowie Rezepturen und Kontexten (Abb. 6-154 - Skript Kapitel 18). Die Definition und Aufteilung der Warenarten finden sich in Abbildung Abb. 6-155 - Skript Kapitel 19. Zusammenhänge von Rezepturen und Warenarten (Abb. 6-156 - Skript Kapitel 20), Gefäßtypen (Abb. 6-157 - Skript Kapitel 21) und Zierstil nach LeFranc (Abb. 6-158 - Skript Kapitel 22) sind ebenfalls hinterlegt.

• Kapitel 6.3.2.c.ii - Herkunft: Abb. 6-159 - Skript Kapitel 24 veranschaulicht den multivariaten Normabstand (Datenzusammenstellung in Skript Kapitel 23); Abb. 6-160 - Skript Kapitel 25 die Kategoriesierung für Modell 1, Abb. 6-161 - Skript Kapitel 26 das zugehörige Streudiagramm. Für Modell 2 sind sämtliche Schritte der Klassifizierung der Proben in chemische Gruppen als Streudiagramme abgebildet (Skript Kapitel 27 und Skript Kapitel 28). Für Modell 2a findet sich das Streudiagramm in Abb. 6-162 - Skript Kapitel 27, das Streudiagramm der farbkodierten Datierungen in Abb. 6-163 - Skript Kapitel 29.

• Kapitel 6.3.2.c.iii - Interpretation: Ausgewählte Streudiagramme zur Interpretation der chemischen Signaturen der Rezepturen finden sich in Abb. 6-164 - Skript Kapitel 31. Die Datenzusammenstellung erfolgte in Kapitel 30.

1.2 Praktische Hinweise

1.2.1 Einführende Literatur

Um mit dem bereitgestellten R-Skript arbeiten zu können, werden die wichtigsten praktischen Schritte, die für den Einstieg erforderlich sind, kurz erklärt. Dies ersetzt jedoch nicht das Studium des Programms selbst und der Inhalte der Skripte. Siegmund (2020) wird als Grundlage in deutscher Sprache empfohlen, als Einführung in das R-Plugin Quarto seine Anleitung Siegmund (2023). Auf Englisch ist die R Quarto-Website besonders zu empfehlen. Field, A. u. a. (2013) ist lesenswert, unterhaltsam und enthält alle relevanten Informationen für den Einstieg. Das R Core Team bieten eine regelmäßig aktualisierte Einführung an; die aktuelle Version ist hier zu finden.

1.2.2 R, R Studio und R Quarto

R, auch R Console oder RGUI, ist das ‘reine’ R, d.h. es arbeitet ausschließlich mit Code. R Studio hingegen hat eine Benutzeroberfläche, und greift auf R zugreift. Dieses R-Skript wurde R Studio in Verbindung mit Quarto erstellt, einer R-spezifischen Schreibumgebung, die die Handhabung von Code sowohl bei der Entwicklung als auch bei der Veröffentlichung erheblich vereinfacht. Quarto ermöglicht es, einzelne R-Skripte in Form von Quarto-Dateien (.qmd) zu erstellen und in verschiedene andere Formate (.html, .pdf) zu exportieren. Neben dem ‘reinen’ R-Code können auch weitere Informationen zu den Code-Modulen bereitgestellt werden.

Quarto-Dokumente enthalten ‘ausführbaren’ R-Code, d.h. sie wurden entwickelt und umfangreich getestet, um die gewünschten Berechnungen fehlerfrei durchzuführen. Wenn die Quarto-Dateien in R Studio geöffnet werden, sind die Code-Blöcke grau hinterlegt und können automatisch gerechnet werden. Weitere Informationen zu Quarto und Quarto-Code finden sich hier.

Um mit diesem Skript zu arbeiten, wird empfohlen, R und RStudio, ggf. auch R Quarto zu installieren.

1.2.3 R Projekte

Um sicherzustellen, dass die Berechnungen reibungslos ablaufen, wurde das Skript in ein R-Projekt eingebettet. Die R Projekt-Datei (.Rproj) befindet sich im übergeordneten Ordner der Berechnungen und kann durch Doppelklicken geöffnet werden. Der Dateipfad wird über die Position dieser Datei definiert, sodass das gesamte Projekt überall gespeichert werden kann, solange die Daten in den vorgegebenen Ordner hinterlegt sind. Die einzige Voraussetzung ist, dass der unter Skript Kapitel 3 hinterlegte Code-Schnipsel beim ersten Arbeiten mit diesem Skript ausgeführt wird.

Ein weiterer Vorteil von RProjects ist, dass alle Quarto-Dateien, die beim Erstellen des Projekts geöffnet wurden, direkt beim Öffnen des Projekts geladen werden – es muss nicht nach der Dateistruktur gesucht werden.

1.2.4 R Pakete

R Pakete müssen zunächst installiert und dann bei jeder Sitzung neu geladen werden (siehe auch Skript Kapitel 2), um die Berechnungen auszuführen. Sie enthalten die Funktionen, die für die Berechnung bestimmter Analysen erforderlich sind. Zum Installieren kann der folgende Code verwendet werden:

• install.packages(“Paket-Name”)

Die Pakete werden mit dem Code geladen:

• library(Paket-Name)

Eine kurze Einführung in die grundlegenden R Befehle findet sich beispielsweise auch hier.

1.3 Skript & Packages

Dieses Quarto Skript (R Quarto v.1.5.55) (Allaire u. a. 2024) wurde mit R v. 4.4.1 (R Core Team 2024) und RStudio v. 2024.04.2 (RStudio Team 2024) erstellt. Es werden folgende R-Packages verwendet:

• cowplot (Barrett u. a. 2024)
• dplyr (Wickham 2023)
• ggfortify (Yuan Tang/Wenxuan 2016)
• ggplot2 (Wickham 2016)
• ggpubr (Kassambara 2023a)
• moments (Komsta/Novomestky 2022)
• plyr (Wickham 2011)
• rstatix (Kassambara 2023b)
• tidyverse (Wickham u. a. 2019)

Vor Beginn der Analysen müssen sowohl alle Packages (siehe Skript Kapitel 2) geladen als auch die Working directory (siehe Skript Kapitel 3) gesetzt werden.

Der Code ist ‘lauffähig’, d.h. kann fehlerfrei gerechnet werden, so die vorgegebene Datenstruktur beibehalten wird.

In jedem Code-Block wird der Code für die erste zu erstellende Abbildung erklärt - darauf folgende Grafiken mit vergleichbarem Code erhalten keine eigene Beschreibung.

1.4 Gerät und Messparameter

Die Messdaten wurden mit dem Niton XL3t No. 97390 des Departments für Kulturwissenschaften der Universität München im TestAllGeo Modus (60 Sekunden Standard, Niedrig, Hoch und 120 Sekunden Leicht-Modus) und einem 8mm Messspot ermittelt. Die Messungen fanden von September bis Dezember 2018 sowie September 2019 bis Juli 2020 statt. Weitere Informationen finden sich bei Kapitel 6.1.1 - Schauer (2025).

2 Notwendige R Pakete

Quelle

Quelle: https://www.projectpro.io/recipes/load-package-r

library(cowplot)
library(dplyr)
library(ggfortify)
library(ggplot2)
library(ggpubr)
library(moments)
library(plyr)
library(rstatix)
library(tidyverse)

3 Working directory

Quelle

Quelle: https://martinctc.github.io/blog/rstudio-projects-and-working-directories-a-beginner%27s-guide/, https://www.grainge.org/pages/authoring/relative_paths/relative_paths.htm, https://r4ds.had.co.nz/workflow-projects.html

knitr::opts_knit$set(root.dir = "./")

4 Abb. 6-144

4.1 Daten zusammenstellen

# Daten einlesen und filtern
data1<- read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage//Daten_OG_vollständigMW.csv")
data2<-subset(data1, Fundort %in% c("Rottenburg-Hailfingen 'Unter dem Tuebinger Weg'"))

# Speichern als CSV
write.csv(data2,"../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage/Daten_RHI_vollständigMW.csv",row.names=FALSE)

4.2 Erstellen Abb. 6-144

# Daten einlesen
data<- read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage/Daten_RHI_vollständigMW.csv")

# Diagramme erstellen
Grundlagen<-ggplot(data)+geom_bar(aes(fill=Kultur, x=Kultur),position = position_dodge2(preserve = 'single',padding = 0.0),color="black")+
  scale_fill_manual(values = c("La Hoguette" = "grey20", "LBK" = "lightgrey","Huettenlehm"="white"))+ # Manuelle Definition der Farbe der Balken
  geom_text(aes(x=Kultur,label=..count..),stat='count',position=position_dodge(1),vjust=-0.3,size=2.75)+ # Manuelles Hinzufügen der Zahlenwerte als Text oberhalb der Balken
  xlab("Artefaktyp")+ylab("Probenanzahl")+ # Manuelle Achsenbeschriftung
  scale_y_continuous(breaks=seq(0,340,10),expand=c(0,0), limits=c(0,58))+ # Manuelle Definition der Y-Achse
  theme_classic()+  # Klassisches Design
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="none")+theme(axis.ticks=element_line(size=0.25,colour="black"))+ # Manuelle Formatierung von Achsen- und Legendendarstellung  
  theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1)) # Vertikale Darstellung der X-Achsenbeschriftung

Datierung<-ggplot(data)+geom_bar(aes(fill=Kultur, x=Datierung),position = position_dodge2(preserve = 'single',padding = 0.0),color="black")+
  scale_fill_manual(values = c("La Hoguette" = "grey20", "LBK" = "lightgrey","Huettenlehm"="white"))+
  geom_text(aes(mapping=Kultur,x=Datierung,label=..count..),stat='count',position=position_dodge(1),vjust=-0.3,size=2.75)+
  xlab("Datierung")+ylab("Probenanzahl")+
  scale_y_continuous(breaks=seq(0,340,10),expand=c(0,0), limits=c(0,58))+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="none")+theme(axis.ticks=element_line(size=0.25,colour="black"))+
  theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))

Kontext<-ggplot(data)+geom_bar(aes(fill=Kultur, x=Befund),position = position_dodge2(preserve = 'single',padding = 0.0),color="black")+
  scale_fill_manual(values = c("La Hoguette" = "grey20", "LBK" = "lightgrey","Huettenlehm"="white"))+
  geom_text(aes(mapping=Kultur,x=Befund,label=..count..),stat='count',position=position_dodge(1),vjust=-0.3,size=2.75)+
  xlab("Kontexte")+ylab("Probenanzahl")+
  scale_y_continuous(breaks=seq(0,52,5),expand=c(0,0), limits=c(0,20))+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="none")+theme(axis.ticks=element_line(size=0.25,colour="black"))+
  theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))


# Kombination der Diagramme 
plot1 <- ggpubr::ggarrange(ggpubr::ggarrange(Grundlagen,Datierung,ncol = 2,nrow = 1,align = "h"), # Arrangieren von zwei Diagrammen nebeneinander in derselben Zeile
  Kontext,  ncol = 1, nrow = 2) # Hinzufügen des dritten Diagramms darunter

# Kombiniertes Diagramm anzeigen
plot1

# Export des kombinierten Diagramms 
ggsave("Abb.6-144.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Grundlagen//"),plot=last_plot(),device="eps",height=10,width=10,unit=c("cm"),dpi=1200)

5 Abb. 6-145

# Daten einlesen und filtern
data2<- read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage//Daten_RHI_vollständigMW.csv")
data<-subset(data2, Kultur %in% c("LBK","La Hoguette"))

# Darstellungsreihenfolge definieren
data$Kultur<-factor(data$Kultur,levels=c("LBK","La Hoguette"))

# Diagramme erstellen
P2O5_Ba<-ggplot(data, aes(x=P2O5,y=Ba, color=Kultur, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(19,17))+ # Manuelle Definition der Form der Symbole
  scale_color_manual(name="Kultur",values=c("grey30","grey90"))+ # Manuelle Definition der Farbe der Symbole
  xlab("P2O5 in %")+ylab("Ba in ppm")+# Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung
  
CaO_Ba<-ggplot(data, aes(x=CaO,y=Ba, color=Kultur, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(19,17))+
  scale_color_manual(name="Kultur",values=c("grey30","grey90"))+
  xlab("CaO in %")+ylab("Ba in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

CaO_P2O5<-ggplot(data, aes(x=CaO,y=P2O5, color=Kultur, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(19,17))+
  scale_color_manual(name="Kultur",values=c("grey30","grey90"))+
  xlab("CaO in %")+ylab("P2O5 in %")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme 
ggarrange(P2O5_Ba,CaO_Ba,CaO_P2O5,ncol=2,nrow=2,align = "hv",common.legend=TRUE)+theme(legend.position="bottom")

# Export des kombinierten Diagramms
ggsave("Abb.6-145.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Grundlagen//"),plot=last_plot(),device="eps",height=10,width=12,unit=c("cm"),dpi=1200)

6 Modell 1 - Normabstand berechnen

6.1 Zusammenstellen der Daten

source

Quelle: https://sparkbyexamples.com/r-programming/select-columns-by-index-position-in-r-2/

# Daten einlesen und filtern
data1<- read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage//Daten_RHI_vollständigMW.csv")
data2<-subset(data1, Kultur %in% c("LBK"))
data<-data2[,3:23]
data4<-subset(data1, Kultur %in% c("LBK","La Hoguette"))

# Definieren relevanter Variablen
Probennummer<-data4$Probennummer
Kultur<-data4$Kultur

# Berechnung des Medians der LBK-Keramik
MedianLBK<-(data) %>% dplyr::summarise(across(everything(),list(median=median)))

# Entfernen von "_median" aus den Spaltennamen
colnames(MedianLBK) <- gsub("_median", "", colnames(MedianLBK))

6.2 Normabstand der Keramik zum Median der LBK berechnen

# Extrahieren des Medians der LBK-Keramik für SiO2
MedianLBK_SiO2<-MedianLBK$SiO2

# Extrahieren der Messwerte für SiO2
data_SiO2<-data4$SiO2

# Berechnen des Multivariaten Normabstandes für jede Probe zum Median von SiO2
SiO2<-sqrt((data_SiO2-MedianLBK_SiO2)^2)/MedianLBK_SiO2

MedianLBK_TiO2<-MedianLBK$TiO2
data_TiO2<-data4$TiO2
TiO2<-sqrt((data_TiO2-MedianLBK_TiO2)^2)/MedianLBK_TiO2

MedianLBK_Al2O3<-MedianLBK$Al2O3
data_Al2O3<-data4$Al2O3
Al2O3<-sqrt((data_Al2O3-MedianLBK_Al2O3)^2)/MedianLBK_Al2O3

MedianLBK_Fe2O3<-MedianLBK$Fe2O3
data_Fe2O3<-data4$Fe2O3
Fe2O3<-sqrt((data_Fe2O3-MedianLBK_Fe2O3)^2)/MedianLBK_Fe2O3

MedianLBK_MnO<-MedianLBK$MnO
data_MnO<-data4$MnO
MnO<-sqrt((data_MnO-MedianLBK_MnO)^2)/MedianLBK_MnO

MedianLBK_MgO<-MedianLBK$MgO
data_MgO<-data4$MgO
MgO<-sqrt((data_MgO-MedianLBK_MgO)^2)/MedianLBK_MgO

MedianLBK_CaO<-MedianLBK$CaO
data_CaO<-data4$CaO
CaO<-sqrt((data_CaO-MedianLBK_CaO)^2)/MedianLBK_CaO

MedianLBK_K2O<-MedianLBK$K2O
data_K2O<-data4$K2O
K2O<-sqrt((data_K2O-MedianLBK_K2O)^2)/MedianLBK_K2O

MedianLBK_P2O5<-MedianLBK$P2O5
data_P2O5<-data4$P2O5
P2O5<-sqrt((data_P2O5-MedianLBK_P2O5)^2)/MedianLBK_P2O5

MedianLBK_Zn<-MedianLBK$Zn
data_Zn<-data4$Zn
Zn<-sqrt((data_Zn-MedianLBK_Zn)^2)/MedianLBK_Zn

MedianLBK_Rb<-MedianLBK$Rb
data_Rb<-data4$Rb
Rb<-sqrt((data_Rb-MedianLBK_Rb)^2)/MedianLBK_Rb

MedianLBK_Sr<-MedianLBK$Sr
data_Sr<-data4$Sr
Sr<-sqrt((data_Sr-MedianLBK_Sr)^2)/MedianLBK_Sr

MedianLBK_Y<-MedianLBK$Y
data_Y<-data4$Y
Y<-sqrt((data_Y-MedianLBK_Y)^2)/MedianLBK_Y

MedianLBK_Zr<-MedianLBK$Zr
data_Zr<-data4$Zr
Zr<-sqrt((data_Zr-MedianLBK_Zr)^2)/MedianLBK_Zr

6.3 Normabstand Rezepturen

# Kombinieren mehrerer Dataframes
Normabstand_HE<-data.frame(Probennummer,Kultur,SiO2,TiO2,Al2O3,Fe2O3,MnO,CaO,K2O,P2O5)

# Berechnen des Normabstandes pro Probe basierend auf den Hauptelementen
Normabstand_HE<-Normabstand_HE %>% rowwise() %>%  mutate(Summe = sum(c(SiO2,TiO2,Al2O3,Fe2O3,MnO,CaO,K2O,P2O5)))

# Speichern als CSV
write.csv(Normabstand_HE,"../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//Normabstand_RHI_HE.csv",row.names=FALSE)

6.4 Normabstand Herkunft

# Kombinieren mehrerer Dataframes
Normabstand_SE<-data.frame(Probennummer,Kultur,Zn,Rb,Sr,Y,Zr)

# Berechnen des Normabstandes pro Probe basierend auf den Spurenelementen
Normabstand_SE<-Normabstand_SE %>% rowwise() %>%  mutate(Summe = sum(c(Zn,Rb,Sr,Y,Zr)))

# Speichern als CSV
write.csv(Normabstand_SE,"../Daten//Kap_6//Kap_6.3//Grundlagen//Herkunft//Normabstand_RHI_SE.csv",row.names=FALSE)

7 Abb. 6-146

7.1 Daten zusammenstellen

# Daten einlesen und filtern
data1<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//Normabstand_RHI_HE.csv")
data2<- read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage//Daten_RHI_vollständigMW.csv")
data3<-subset(data2, Kultur %in% c("LBK","La Hoguette"))
data4<-data3[,c(1,3:23)]

# Kombinieren mehrerer Dataframes basierend auf der Probennummer
data<-merge(data1,data4, by="Probennummer", all=TRUE)

# Entfernen von ".y" aus den Spaltennamen
colnames(data) <- gsub(".y", "", colnames(data))

# Spaltennamen "Summe" durch "Normabst" ersetzen
colnames(data) <- gsub("Summe", "Normabst", colnames(data))

# Speichern als CSV
write.csv(data,"../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//Normabstand_HE_RHI_mitMesswerten.csv",row.names=FALSE)

Die weitere Einteilung der Proben in die chemischen Rezepturen beginnend mit Modell 1 erfolgte in Excel.

7.2 Histogramm

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//Normabstand_HE_RHI_mitMesswerten.csv")

# Berechnung der unteren (25%) und oberen (75%) Quartile für die Spalte "Normabst"
Normabst0 <- (data) %>%
  dplyr::summarise(lower = quantile(Normabst, probs = .25),
            upper = quantile(Normabst, probs = .75))

# Diagramm erstellen    
Hist_NormHE_Keramik_LBKI<-ggplot(data,aes(x=Normabst))+
  geom_histogram(fill="lightgrey", color="black",binwidth=0.5,bins=NULL)+ # Manuelle Definition der Farbe der Balken
  ylab("Häufigkeit")+# Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design
  scale_x_continuous(breaks=seq(0,36,1))+
  scale_y_continuous(breaks=seq(0,150,10))+ # Manuelle Definition der Achsen
 theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))+ # Manuelle Formatierung von Achsen- und Legendendarstellung
  geom_vline(aes(xintercept=median(Normabst)),color="blue", linetype="dashed", linewidth=1)+theme(axis.title.x=element_blank())+ # Vertikale Markierung des Medians
  geom_vline(data=Normabst0, aes(xintercept=lower), color="red", linetype="dotted", linewidth=1)+ # Vertikale Markierung des 25%-Quartils
  geom_vline(data=Normabst0, aes(xintercept=upper), color="red", linetype="dotted", linewidth=1) # Vertikale Markierung des 75%-Quartils

# Berechnung der unteren (25%) und oberen (75%) Quartile für die Spalte "Normabst" nach Kultur
Normabst1 <- (data) %>%
  group_by(Kultur) %>%
  dplyr::summarise(lower = quantile(Normabst, probs = .25),
            upper = quantile(Normabst, probs = .75))

# Diagramm erstellen  
Hist_NormHE_Keramik_nKultur_LBKI<-ggplot(subset(data,Kultur %in% c("La Hoguette","LBK")),aes(x=Normabst))+
  geom_histogram(fill="lightgrey", color="black",binwidth=0.5,bins=NULL)+ # Manuelle Definition der Farbe der Balken
  xlab("Distanz zur typisch bandkeramischen Rezeptur von Rottenburg-Hailfingen 'Unter dem Tübinger Weg'")+ylab("Häufigkeit")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design
  scale_x_continuous(breaks=seq(0,36,1))+ # Manuelle Definition der Achsen
  scale_y_continuous(breaks=seq(0,150,10))+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))+ # Manuelle Formatierung von Achsen- und Legendendarstellung
  facet_grid(Kultur~.)+theme(strip.text.y = element_text(angle = 0),strip.background = element_rect(colour="white", fill="white"))+ # Facettierung nach Kategorien
  geom_vline(data=ddply(subset(data,Kultur %in% c("La Hoguette","LBK")), "Kultur", dplyr::summarise, grp.median=median(Normabst)), aes(xintercept=grp.median),color="blue", linetype="dashed", linewidth=1)+ # Vertikale Markierung des Medians nach Kategorien
  geom_vline(data=Normabst1, aes(xintercept=lower), color="red", linetype="dotted", linewidth=1)+ # Vertikale Markierung des 25%-Quartils nach Kategorien
  geom_vline(data=Normabst1, aes(xintercept=upper), color="red", linetype="dotted", linewidth=1)+ # Vertikale Markierung des 75%-Quartils nach Kategorien
  labs(subtitle=paste("Kruskal-Wallis, p=",round(({compare_means(Normabst~ Kultur,aes(x=Normabst), data=subset(data,Kultur %in% c("La Hoguette","LBK")),method="kruskal.test")$p}),6))) # Berechnen des Kruskal-Wallis-Tests inkl. p-Wert und anzeigen als Unterüberschrift
                                                                 
# Kombination der Diagramme 
plot_grid(Hist_NormHE_Keramik_LBKI,Hist_NormHE_Keramik_nKultur_LBKI,ncol=1,nrow=2,align = "v",axis = "lr",rel_heights=c(1,2))

# Export des kombinierten Diagramms 
ggsave("Abb.6-146.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Rezeptur//"),plot=last_plot(),device="eps",height=9,width=15.3,unit=c("cm"),dpi=1200)

7.3 Kennwerte

# Berechnen von Mittelwert und Standardabweichung für den gesamten Datensatz
data  %>% dplyr::summarise(m = mean(Normabst),sd=sd(Normabst))

         m       sd
1 3.836721 2.668404

# Berechnen von Mittelwert und Standardabweichung nach Kategorien
group_by(data, Kultur)  %>% dplyr::summarise(m = mean(Normabst),sd=sd(Normabst))

# A tibble: 2 × 3
  Kultur          m    sd
  <chr>       <dbl> <dbl>
1 LBK          2.10  1.16
2 La Hoguette  5.32  2.71

# Anzahl der Gesamtbeobachtungen
data %>% dplyr::summarise(count=n())

  count
1   102

# Anzahl der Beobachtungen pro Kategorie
data %>%  group_by(Kultur)  %>% dplyr::summarise(count=n())

# A tibble: 2 × 2
  Kultur      count
  <chr>       <int>
1 LBK            47
2 La Hoguette    55

8 Abb. 6-147

Quelle

Quelle: https://sparkbyexamples.com/r-programming/sort-data-frame-in-r/?expand_article=1

Die Einteilung der Proben in die chemischen Rezepturen erfolgte in Excel.

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//Normabstand_HE_RHI_mitMesswerten_bearb.csv")

# Daten nach ausgewählter Spalte sortieren
data<-data[order(data$Modell1),]

# Diagramme erstellen
Modell1_HE_CaO_Fe2O3<-ggplot(data, aes(x=CaO,y=Fe2O3, color=Modell1, shape=Kultur))+ 
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+ # Manuelle Definition von Größe und Form der Symbole
  scale_color_manual(name="Modell1",values=c("paleturquoise","coral3","steelblue2","lightgoldenrod2","seagreen3"))+ # Manuelle Definition der Farbe der Symbole
  xlab("CaO in %")+ ylab("Fe2O3 in %")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung

Modell1_HE_CaO_P2O5<-ggplot(data, aes(x=CaO,y=P2O5, color=Modell1, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell1",values=c("paleturquoise","coral3","steelblue2","lightgoldenrod2","seagreen3"))+  
  xlab("CaO in %")+ ylab("P2O5 in %")+ 
  theme_classic()+ 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell1_HE_Al2O3_SiO2<-ggplot(data, aes(x=Al2O3,y=SiO2, color=Modell1, shape=Kultur))+ 
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell1",values=c("paleturquoise","coral3","steelblue2","lightgoldenrod2","seagreen3"))+  
  xlab("Al2O3 in %")+ ylab("SiO2 in %")+ 
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Modell1_HE_TiO2_K2O<-ggplot(data, aes(x=TiO2,y=K2O, color=Modell1, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell1",values=c("paleturquoise","coral3","steelblue2","lightgoldenrod2","seagreen3"))+
  xlab("TiO2 in %")+ ylab("K2O in %")+ 
  theme_classic()+ 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme 
ggarrange(Modell1_HE_Al2O3_SiO2,Modell1_HE_CaO_P2O5,Modell1_HE_CaO_Fe2O3,Modell1_HE_TiO2_K2O,ncol=2,nrow=2,align = "hv",common.legend=TRUE)+theme(legend.position="bottom")

# Export des kombinierten Diagramms 
ggsave("Abb.6-147.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Rezeptur//"),plot=last_plot(),device="eps",height=11,width=15.3,unit=c("cm"),dpi=1200)

9 Erstellen von Modell 2

Die Datei Normabstand_HE_RHI_mitMesswerten_bearb wurde in Excel um die beschriebenen Veränderungen für Modell 2 erweitert.

9.1 Modell 2a

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//Normabstand_HE_RHI_mitMesswerten_bearb.csv")

# Daten nach ausgewählter Spalte sortieren
data<-data[order(data$Modell2a),]

# Diagramme erstellen
Modell2a_HE_CaO_Fe2O3<-ggplot(data, aes(x=CaO,y=Fe2O3, color=Modell2a, shape=Kultur))+ 
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+ # Manuelle Definition von Größe und Form der Symbole
  scale_color_manual(name="Modell2a",values=c("paleturquoise","coral3","steelblue2","orchid2","lightgoldenrod2","seagreen3"))+ # Manuelle Definition der Farbe der Symbole
  xlab("CaO in %")+ ylab("Fe2O3 in %")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung

Modell2a_HE_CaO_P2O5<-ggplot(data, aes(x=CaO,y=P2O5, color=Modell2a, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2a",values=c("paleturquoise","coral3","steelblue2","orchid2","lightgoldenrod2","seagreen3"))+  
  xlab("CaO in %")+ ylab("P2O5 in %")+ 
  theme_classic()+ 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2a_HE_Al2O3_SiO2<-ggplot(data, aes(x=Al2O3,y=SiO2, color=Modell2a, shape=Kultur))+ 
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2a",values=c("paleturquoise","coral3","steelblue2","orchid2","lightgoldenrod2","seagreen3"))+  
  xlab("Al2O3 in %")+ ylab("SiO2 in %")+ 
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Modell2a_HE_TiO2_K2O<-ggplot(data, aes(x=TiO2,y=K2O, color=Modell2a, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2a",values=c("paleturquoise","coral3","steelblue2","orchid2","lightgoldenrod2","seagreen3"))+
  xlab("TiO2 in %")+ ylab("K2O in %")+ 
  theme_classic()+ 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme 
ggarrange(Modell2a_HE_Al2O3_SiO2,Modell2a_HE_CaO_P2O5,Modell2a_HE_CaO_Fe2O3,Modell2a_HE_TiO2_K2O,ncol=2,nrow=2,align = "hv",common.legend=TRUE)+theme(legend.position="bottom")

9.2 Modell 2b

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//Normabstand_HE_RHI_mitMesswerten_bearb.csv")

# Daten nach ausgewählter Spalte sortieren
data<-data[order(data$Modell2b),]

# Diagramme erstellen
Modell2b_HE_CaO_Fe2O3<-ggplot(data, aes(x=CaO,y=Fe2O3, color=Modell2b, shape=Kultur))+ 
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+ # Manuelle Definition von Größe und Form der Symbole
  scale_color_manual(name="Modell2b",values=c("paleturquoise","coral3","steelblue2","orchid2","pink2","lightgoldenrod2","seagreen3"))+ # Manuelle Definition der Farbe der Symbole
  xlab("CaO in %")+ ylab("Fe2O3 in %")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung

Modell2b_HE_CaO_P2O5<-ggplot(data, aes(x=CaO,y=P2O5, color=Modell2b, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2b",values=c("paleturquoise","coral3","steelblue2","orchid2","pink2","lightgoldenrod2","seagreen3"))+  
  xlab("CaO in %")+ ylab("P2O5 in %")+ 
  theme_classic()+ 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2b_HE_Al2O3_SiO2<-ggplot(data, aes(x=Al2O3,y=SiO2, color=Modell2b, shape=Kultur))+ 
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2b",values=c("paleturquoise","coral3","steelblue2","orchid2","pink2","lightgoldenrod2","seagreen3"))+  
  xlab("Al2O3 in %")+ ylab("SiO2 in %")+ 
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Modell2b_HE_TiO2_K2O<-ggplot(data, aes(x=TiO2,y=K2O, color=Modell2b, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2b",values=c("paleturquoise","coral3","steelblue2","orchid2","pink2","lightgoldenrod2","seagreen3"))+
  xlab("TiO2 in %")+ ylab("K2O in %")+ 
  theme_classic()+ 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme 
ggarrange(Modell2b_HE_Al2O3_SiO2,Modell2b_HE_CaO_P2O5,Modell2b_HE_CaO_Fe2O3,Modell2b_HE_TiO2_K2O,ncol=2,nrow=2,align = "hv",common.legend=TRUE)+theme(legend.position="bottom")

9.3 Modell 2c

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//Normabstand_HE_RHI_mitMesswerten_bearb.csv")

# Daten nach ausgewählter Spalte sortieren
data<-data[order(data$Modell2c),]

# Diagramme erstellen
Modell2c_HE_CaO_Fe2O3<-ggplot(data, aes(x=CaO,y=Fe2O3, color=Modell2c, shape=Kultur))+ 
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+ # Manuelle Definition von Größe und Form der Symbole
  scale_color_manual(name="Modell2c",values=c("paleturquoise","slategrey","coral3","steelblue2","orchid2","pink2","lightgoldenrod2","seagreen3"))+ # Manuelle Definition der Farbe der Symbole
  xlab("CaO in %")+ ylab("Fe2O3 in %")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung

Modell2c_HE_CaO_P2O5<-ggplot(data, aes(x=CaO,y=P2O5, color=Modell2c, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2c",values=c("paleturquoise","slategrey","coral3","steelblue2","orchid2","pink2","lightgoldenrod2","seagreen3"))+  
  xlab("CaO in %")+ ylab("P2O5 in %")+ 
  theme_classic()+ 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2c_HE_Al2O3_SiO2<-ggplot(data, aes(x=Al2O3,y=SiO2, color=Modell2c, shape=Kultur))+ 
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2c",values=c("paleturquoise","slategrey","coral3","steelblue2","orchid2","pink2","lightgoldenrod2","seagreen3"))+  
  xlab("Al2O3 in %")+ ylab("SiO2 in %")+ 
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Modell2c_HE_TiO2_K2O<-ggplot(data, aes(x=TiO2,y=K2O, color=Modell2c, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2c",values=c("paleturquoise","slategrey","coral3","steelblue2","orchid2","pink2","lightgoldenrod2","seagreen3"))+
  xlab("TiO2 in %")+ ylab("K2O in %")+ 
  theme_classic()+ 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme 
ggarrange(Modell2c_HE_Al2O3_SiO2,Modell2c_HE_CaO_P2O5,Modell2c_HE_CaO_Fe2O3,Modell2c_HE_TiO2_K2O,ncol=2,nrow=2,align = "hv",common.legend=TRUE)+theme(legend.position="bottom")

9.4 Modell 2d

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//Normabstand_HE_RHI_mitMesswerten_bearb.csv")

# Daten nach ausgewählter Spalte sortieren
data<-data[order(data$Modell2d),]

# Diagramme erstellen
Modell2d_HE_CaO_Fe2O3<-ggplot(data, aes(x=CaO,y=Fe2O3, color=Modell2d, shape=Kultur))+ 
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+ # Manuelle Definition von Größe und Form der Symbole
  scale_color_manual(name="Modell2d",values=c("paleturquoise","slategrey","coral3","orchid2","pink2","steelblue2","darkblue","lightgoldenrod2","seagreen3"))+ # Manuelle Definition der Farbe der Symbole
  xlab("CaO in %")+ ylab("Fe2O3 in %")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung

Modell2d_HE_CaO_P2O5<-ggplot(data, aes(x=CaO,y=P2O5, color=Modell2d, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2d",values=c("paleturquoise","slategrey","coral3","orchid2","pink2","steelblue2","darkblue","lightgoldenrod2","seagreen3"))+  
  xlab("CaO in %")+ ylab("P2O5 in %")+ 
  theme_classic()+ 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2d_HE_Al2O3_SiO2<-ggplot(data, aes(x=Al2O3,y=SiO2, color=Modell2d, shape=Kultur))+ 
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2d",values=c("paleturquoise","slategrey","coral3","orchid2","pink2","steelblue2","darkblue","lightgoldenrod2","seagreen3"))+  
  xlab("Al2O3 in %")+ ylab("SiO2 in %")+ 
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Modell2d_HE_TiO2_K2O<-ggplot(data, aes(x=TiO2,y=K2O, color=Modell2d, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2d",values=c("paleturquoise","slategrey","coral3","orchid2","pink2","steelblue2","darkblue","lightgoldenrod2","seagreen3"))+
  xlab("TiO2 in %")+ ylab("K2O in %")+ 
  theme_classic()+ 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme 
ggarrange(Modell2d_HE_Al2O3_SiO2,Modell2d_HE_CaO_P2O5,Modell2d_HE_CaO_Fe2O3,Modell2d_HE_TiO2_K2O,ncol=2,nrow=2,align = "hv",common.legend=TRUE)+theme(legend.position="bottom")

9.5 Modell 2e

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//Normabstand_HE_RHI_mitMesswerten_bearb.csv")

# Daten nach ausgewählter Spalte sortieren
data<-data[order(data$Modell2e),]

# Diagramme erstellen
Modell2e_HE_CaO_Fe2O3<-ggplot(data, aes(x=CaO,y=Fe2O3, color=Modell2e, shape=Kultur))+ 
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+ # Manuelle Definition von Größe und Form der Symbole
  scale_color_manual(name="Modell2e",values=c("paleturquoise","slategrey","coral3","steelblue2","orchid2","pink2","lightgoldenrod2","seagreen3"))+ # Manuelle Definition der Farbe der Symbole
  xlab("CaO in %")+ ylab("Fe2O3 in %")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung

Modell2e_HE_CaO_P2O5<-ggplot(data, aes(x=CaO,y=P2O5, color=Modell2e, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2e",values=c("paleturquoise","slategrey","coral3","steelblue2","orchid2","pink2","lightgoldenrod2","seagreen3"))+  
  xlab("CaO in %")+ ylab("P2O5 in %")+ 
  theme_classic()+ 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2e_HE_Al2O3_SiO2<-ggplot(data, aes(x=Al2O3,y=SiO2, color=Modell2e, shape=Kultur))+ 
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2e",values=c("paleturquoise","slategrey","coral3","steelblue2","orchid2","pink2","lightgoldenrod2","seagreen3"))+  
  xlab("Al2O3 in %")+ ylab("SiO2 in %")+ 
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Modell2e_HE_TiO2_K2O<-ggplot(data, aes(x=TiO2,y=K2O, color=Modell2e, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2e",values=c("paleturquoise","slategrey","coral3","steelblue2","orchid2","pink2","lightgoldenrod2","seagreen3"))+
  xlab("TiO2 in %")+ ylab("K2O in %")+ 
  theme_classic()+ 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme 
ggarrange(Modell2e_HE_Al2O3_SiO2,Modell2e_HE_CaO_P2O5,Modell2e_HE_CaO_Fe2O3,Modell2e_HE_TiO2_K2O,ncol=2,nrow=2,align = "hv",common.legend=TRUE)+theme(legend.position="bottom")

10 Abb. 6-148

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//Normabstand_HE_RHI_mitMesswerten_bearb.csv")

# Daten nach ausgewählter Spalte sortieren
data<-data[order(data$Modell2),]

# Diagramme erstellen
Modell2_HE_CaO_Fe2O3<-ggplot(data, aes(x=CaO,y=Fe2O3, color=Modell2, shape=Kultur))+ 
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+ # Manuelle Definition von Größe und Form der Symbole
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2"))+ # Manuelle Definition der Farbe der Symbole
  xlab("CaO in %")+ ylab("Fe2O3 in %")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung

Modell2_HE_CaO_P2O5<-ggplot(data, aes(x=CaO,y=P2O5, color=Modell2, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2"))+  
  xlab("CaO in %")+ ylab("P2O5 in %")+ 
  theme_classic()+ 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2_HE_Al2O3_SiO2<-ggplot(data, aes(x=Al2O3,y=SiO2, color=Modell2, shape=Kultur))+ 
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2"))+  
  xlab("Al2O3 in %")+ ylab("SiO2 in %")+ 
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Modell2_HE_TiO2_K2O<-ggplot(data, aes(x=TiO2,y=K2O, color=Modell2, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2"))+
  xlab("TiO2 in %")+ ylab("K2O in %")+ 
  theme_classic()+ 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme 
ggarrange(Modell2_HE_Al2O3_SiO2,Modell2_HE_CaO_P2O5,Modell2_HE_CaO_Fe2O3,Modell2_HE_TiO2_K2O,ncol=2,nrow=2,align = "hv",common.legend=TRUE)+theme(legend.position="bottom")

# Export des kombinierten Diagramms
ggsave("Abb.6-148.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Rezeptur//"),plot=last_plot(),device="eps",height=11,width=15.3,unit=c("cm"),dpi=1200)

11 Abb. 6-149

Die Einteilung der Proben in die chemischen Rezepturen erfolgte in Excel.

11.1 Histogramm

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//Normabstand_HE_RHI_mitMesswerten_bearb.csv")

# Berechnung der unteren (25%) und oberen (75%) Quartile für die Spalte "Normabst"
Normabst0 <- (data) %>%
  dplyr::summarise(lower = quantile(Normabst, probs = .25),
            upper = quantile(Normabst, probs = .75))

# Diagramm erstellen  
Hist_NormHE_Keramik_LBKI<-ggplot(data,aes(x=Normabst))+
  geom_histogram(fill="lightgrey", color="black",binwidth=0.5,bins=NULL)+ # Manuelle Definition der Farbe der Balken
  ylab("Häufigkeit")+# Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design
  scale_x_continuous(breaks=seq(0,36,1))+
  scale_y_continuous(breaks=seq(0,150,10))+ # Manuelle Definition der Achsen
 theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))+ # Manuelle Formatierung von Achsen- und Legendendarstellung
  geom_vline(aes(xintercept=median(Normabst)),color="blue", linetype="dashed", linewidth=1)+theme(axis.title.x=element_blank())+ # Vertikale Markierung des Medians
  geom_vline(data=Normabst0, aes(xintercept=lower), color="red", linetype="dotted", linewidth=1)+ # Vertikale Markierung des 25%-Quartils
  geom_vline(data=Normabst0, aes(xintercept=upper), color="red", linetype="dotted", linewidth=1) # Vertikale Markierung des 75%-Quartils

# Berechnung der unteren (25%) und oberen (75%) Quartile für die Spalte "Normabst" nach Modell2
Normabst10 <- (data) %>%
  group_by(Modell2) %>%
  dplyr::summarise(lower = quantile(Normabst, probs = .25),
            upper = quantile(Normabst, probs = .75))
 
# Diagramm erstellen 
Hist_Modell2<-ggplot(data,aes(x=Normabst))+
  geom_histogram(fill="lightgrey", color="black",binwidth=0.5,bins=NULL)+ # Manuelle Definition der Farbe der Balken
  xlab("Distanz zur typisch bandkeramischen Rezeptur von Rottenburg-Hailfingen 'Unter dem Tübinger Weg'")+ylab("Häufigkeit")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design
  scale_x_continuous(breaks=seq(0,36,1))+ # Manuelle Definition der Achsen
  scale_y_continuous(breaks=seq(0,150,10))+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))+ # Manuelle Formatierung von Achsen- und Legendendarstellung
  facet_grid(Modell2~.)+theme(strip.text.y = element_text(angle = 0),strip.background = element_rect(colour="white", fill="white"))+ # Facettierung nach Kategorien
  geom_vline(data=ddply(data,"Modell2", dplyr::summarise, grp.median=median(Normabst)), aes(xintercept=grp.median),color="blue", linetype="dashed", linewidth=1)+ # Vertikale Markierung des Medians nach Kategorien
  geom_vline(data=Normabst10, aes(xintercept=lower), color="red", linetype="dotted", linewidth=1)+ # Vertikale Markierung des 25%-Quartils nach Kategorien
  geom_vline(data=Normabst10, aes(xintercept=upper), color="red", linetype="dotted", linewidth=1) # Vertikale Markierung des 75%-Quartils nach Kategorien

# Kombination der Diagramme 
plot_grid(Hist_NormHE_Keramik_LBKI,Hist_Modell2,ncol=1,nrow=2,align = "v",axis = "lr",rel_heights=c(1,7))

# Export des kombinierten Diagramms
ggsave("Abb.6-149.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Rezeptur//"),plot=last_plot(),device="eps",height=18,width=15.3,unit=c("cm"),dpi=1200)

11.2 Kennwerte

# Berechnen von Mittelwert und Standardabweichung für den gesamten Datensatz
data  %>% dplyr::summarise(m = mean(Normabst),sd=sd(Normabst))

         m       sd
1 3.836721 2.668404

# Berechnen von Mittelwert und Standardabweichung nach Kategorien
group_by(data, Modell2)  %>% dplyr::summarise(m = mean(Normabst),sd=sd(Normabst))

# A tibble: 7 × 3
  Modell2        m     sd
  <chr>      <dbl>  <dbl>
1 Rezeptur 1  2.06  0.769
2 Rezeptur 2  3.07  0.979
3 Rezeptur 3  5.47  1.47 
4 Rezeptur 4  6.47 NA    
5 Rezeptur 5  6.95 NA    
6 Rezeptur 6  8.09  1.34 
7 Rezeptur 7  9.57  0.685

# Anzahl der Gesamtbeobachtungen
data %>% dplyr::summarise(count=n())

  count
1   102

# Anzahl der Beobachtungen pro Kategorie
data %>%  group_by(Modell2)  %>% dplyr::summarise(count=n())

# A tibble: 7 × 2
  Modell2    count
  <chr>      <int>
1 Rezeptur 1    57
2 Rezeptur 2    12
3 Rezeptur 3    12
4 Rezeptur 4     1
5 Rezeptur 5     1
6 Rezeptur 6    16
7 Rezeptur 7     3

12 Berechnen des Test für Modell 2 (Modell 3)

12.1 Zusammenstellen der Daten

# Daten einlesen und filtern
data1<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//Normabstand_HE_RHI_mitMesswerten_bearb.csv")
data<-data1[,c(3:10,34),]

# Umbennennen der Spaltenköpfe
data<-data %>% dplyr::rename(Si=1,Al=2,Ti=3,Fe=4,Mn=5,Ca=6,K=7,P=8)

# Definieren relevanter Variablen
Probennummer<-data1$Probennummer
Kultur<-data1$Kultur

# Berechnung des Medians der Gruppen nach Modell 2
MedianGruppenMod3<-(data) %>%
  group_by(Modell2) %>%
  dplyr::summarise(across(everything(),list(median=median))) 

# Entfernen von "_median" aus den Spaltennamen
colnames(MedianGruppenMod3) <- gsub("_median", "", colnames(MedianGruppenMod3))

12.2 Normabstand berechnen - Rezeptur 1

# Filtern nach den Daten von Rezeptur 1
MedianRezeptur1Mod3<-filter(MedianGruppenMod3, Modell2=="Rezeptur 1")

# Extrahieren des Medians von Rezepetur 1 für SiO2
MedianRezeptur1Mod3_Si<-MedianRezeptur1Mod3$Si

# Extrahieren der Messwerte für SiO2
data_Si<-data$Si

# Berechnen des Multivariaten Normabstandes für jede Probe zum Median von Rezeptur 1 von SiO2
Si<-sqrt((data_Si-MedianRezeptur1Mod3_Si)^2)

MedianRezeptur1Mod3_Ti<-MedianRezeptur1Mod3$Ti
data_Ti<-data$Ti
Ti<-sqrt((data_Ti-MedianRezeptur1Mod3_Ti)^2)

MedianRezeptur1Mod3_Al<-MedianRezeptur1Mod3$Al
data_Al<-data$Al
Al<-sqrt((data_Al-MedianRezeptur1Mod3_Al)^2)

MedianRezeptur1Mod3_Fe<-MedianRezeptur1Mod3$Fe
data_Fe<-data$Fe
Fe<-sqrt((data_Fe-MedianRezeptur1Mod3_Fe)^2)

MedianRezeptur1Mod3_Mn<-MedianRezeptur1Mod3$Mn
data_Mn<-data$Mn
Mn<-sqrt((data_Mn-MedianRezeptur1Mod3_Mn)^2)

MedianRezeptur1Mod3_Ca<-MedianRezeptur1Mod3$Ca
data_Ca<-data$Ca
Ca<-sqrt((data_Ca-MedianRezeptur1Mod3_Ca)^2)

MedianRezeptur1Mod3_K<-MedianRezeptur1Mod3$K
data_K<-data$K
K<-sqrt((data_K-MedianRezeptur1Mod3_K)^2)

MedianRezeptur1Mod3_P<-MedianRezeptur1Mod3$P
data_P<-data$P
P<-sqrt((data_P-MedianRezeptur1Mod3_P)^2)

# Kombinieren mehrerer Dataframes
Normabstand_SE<-data.frame(Probennummer,Kultur,Si,Ti,Al,Fe,Mn,Ca,K,P)

# Berechnen des Normabstandes zum Median von Rezeptur 1 pro Probe basierend auf den Hauptelementen
Normabstand_Rez1_Tabelle<-Normabstand_SE %>% rowwise() %>%  mutate(Summe = sum(c(Si,Ti,Al,Fe,Mn,Ca,K,P)))

# Definieren der Summe als Variable
Normabstand_Rez1<-Normabstand_Rez1_Tabelle$Summe

12.3 Normabstand berechnen - Rezeptur 2

MedianRezeptur2Mod3<-filter(MedianGruppenMod3, Modell2=="Rezeptur 2")

MedianRezeptur2Mod3_Si<-MedianRezeptur2Mod3$Si
data_Si<-data$Si
Si<-sqrt((data_Si-MedianRezeptur2Mod3_Si)^2)

MedianRezeptur2Mod3_Ti<-MedianRezeptur2Mod3$Ti
data_Ti<-data$Ti
Ti<-sqrt((data_Ti-MedianRezeptur2Mod3_Ti)^2)

MedianRezeptur2Mod3_Al<-MedianRezeptur2Mod3$Al
data_Al<-data$Al
Al<-sqrt((data_Al-MedianRezeptur2Mod3_Al)^2)

MedianRezeptur2Mod3_Fe<-MedianRezeptur2Mod3$Fe
data_Fe<-data$Fe
Fe<-sqrt((data_Fe-MedianRezeptur2Mod3_Fe)^2)

MedianRezeptur2Mod3_Mn<-MedianRezeptur2Mod3$Mn
data_Mn<-data$Mn
Mn<-sqrt((data_Mn-MedianRezeptur2Mod3_Mn)^2)

MedianRezeptur2Mod3_Ca<-MedianRezeptur2Mod3$Ca
data_Ca<-data$Ca
Ca<-sqrt((data_Ca-MedianRezeptur2Mod3_Ca)^2)

MedianRezeptur2Mod3_K<-MedianRezeptur2Mod3$K
data_K<-data$K
K<-sqrt((data_K-MedianRezeptur2Mod3_K)^2)

MedianRezeptur2Mod3_P<-MedianRezeptur2Mod3$P
data_P<-data$P
P<-sqrt((data_P-MedianRezeptur2Mod3_P)^2)

Normabstand_SE<-data.frame(Probennummer,Kultur,Si,Ti,Al,Fe,Mn,Ca,K,P)
Normabstand_Rez2_Tabelle<-Normabstand_SE %>% rowwise() %>%  mutate(Summe = sum(c(Si,Ti,Al,Fe,Mn,Ca,K,P)))
Normabstand_Rez2<-Normabstand_Rez2_Tabelle$Summe

12.4 Normabstand berechnen - Rezeptur 3

MedianRezeptur3Mod3<-filter(MedianGruppenMod3, Modell2=="Rezeptur 3")

MedianRezeptur3Mod3_Si<-MedianRezeptur3Mod3$Si
data_Si<-data$Si
Si<-sqrt((data_Si-MedianRezeptur3Mod3_Si)^2)

MedianRezeptur3Mod3_Ti<-MedianRezeptur3Mod3$Ti
data_Ti<-data$Ti
Ti<-sqrt((data_Ti-MedianRezeptur3Mod3_Ti)^2)

MedianRezeptur3Mod3_Al<-MedianRezeptur3Mod3$Al
data_Al<-data$Al
Al<-sqrt((data_Al-MedianRezeptur3Mod3_Al)^2)

MedianRezeptur3Mod3_Fe<-MedianRezeptur3Mod3$Fe
data_Fe<-data$Fe
Fe<-sqrt((data_Fe-MedianRezeptur3Mod3_Fe)^2)

MedianRezeptur3Mod3_Mn<-MedianRezeptur3Mod3$Mn
data_Mn<-data$Mn
Mn<-sqrt((data_Mn-MedianRezeptur3Mod3_Mn)^2)

MedianRezeptur3Mod3_Ca<-MedianRezeptur3Mod3$Ca
data_Ca<-data$Ca
Ca<-sqrt((data_Ca-MedianRezeptur3Mod3_Ca)^2)

MedianRezeptur3Mod3_K<-MedianRezeptur3Mod3$K
data_K<-data$K
K<-sqrt((data_K-MedianRezeptur3Mod3_K)^2)

MedianRezeptur3Mod3_P<-MedianRezeptur3Mod3$P
data_P<-data$P
P<-sqrt((data_P-MedianRezeptur3Mod3_P)^2)

Normabstand_SE<-data.frame(Probennummer,Kultur,Si,Ti,Al,Fe,Mn,Ca,K,P)
Normabstand_Rez3_Tabelle<-Normabstand_SE %>% rowwise() %>%  mutate(Summe = sum(c(Si,Ti,Al,Fe,Mn,Ca,K,P)))
Normabstand_Rez3<-Normabstand_Rez3_Tabelle$Summe

12.5 Normabstand berechnen - Rezeptur 4

MedianRezeptur4Mod3<-filter(MedianGruppenMod3, Modell2=="Rezeptur 4")

MedianRezeptur4Mod3_Si<-MedianRezeptur4Mod3$Si
data_Si<-data$Si
Si<-sqrt((data_Si-MedianRezeptur4Mod3_Si)^2)

MedianRezeptur4Mod3_Ti<-MedianRezeptur2Mod3$Ti
data_Ti<-data$Ti
Ti<-sqrt((data_Ti-MedianRezeptur4Mod3_Ti)^2)

MedianRezeptur4Mod3_Al<-MedianRezeptur4Mod3$Al
data_Al<-data$Al
Al<-sqrt((data_Al-MedianRezeptur4Mod3_Al)^2)

MedianRezeptur4Mod3_Fe<-MedianRezeptur4Mod3$Fe
data_Fe<-data$Fe
Fe<-sqrt((data_Fe-MedianRezeptur4Mod3_Fe)^2)

MedianRezeptur4Mod3_Mn<-MedianRezeptur4Mod3$Mn
data_Mn<-data$Mn
Mn<-sqrt((data_Mn-MedianRezeptur4Mod3_Mn)^2)

MedianRezeptur4Mod3_Ca<-MedianRezeptur4Mod3$Ca
data_Ca<-data$Ca
Ca<-sqrt((data_Ca-MedianRezeptur4Mod3_Ca)^2)

MedianRezeptur4Mod3_K<-MedianRezeptur4Mod3$K
data_K<-data$K
K<-sqrt((data_K-MedianRezeptur4Mod3_K)^2)

MedianRezeptur4Mod3_P<-MedianRezeptur4Mod3$P
data_P<-data$P
P<-sqrt((data_P-MedianRezeptur4Mod3_P)^2)

Normabstand_SE<-data.frame(Probennummer,Kultur,Si,Ti,Al,Fe,Mn,Ca,K,P)
Normabstand_Rez4_Tabelle<-Normabstand_SE %>% rowwise() %>%  mutate(Summe = sum(c(Si,Ti,Al,Fe,Mn,Ca,K,P)))
Normabstand_Rez4<-Normabstand_Rez4_Tabelle$Summe

12.6 Normabstand berechnen - Rezeptur 5

MedianRezeptur5Mod3<-filter(MedianGruppenMod3, Modell2=="Rezeptur 5")

MedianRezeptur5Mod3_Si<-MedianRezeptur5Mod3$Si
data_Si<-data$Si
Si<-sqrt((data_Si-MedianRezeptur5Mod3_Si)^2)

MedianRezeptur5Mod3_Ti<-MedianRezeptur5Mod3$Ti
data_Ti<-data$Ti
Ti<-sqrt((data_Ti-MedianRezeptur5Mod3_Ti)^2)

MedianRezeptur5Mod3_Al<-MedianRezeptur5Mod3$Al
data_Al<-data$Al
Al<-sqrt((data_Al-MedianRezeptur5Mod3_Al)^2)

MedianRezeptur5Mod3_Fe<-MedianRezeptur5Mod3$Fe
data_Fe<-data$Fe
Fe<-sqrt((data_Fe-MedianRezeptur5Mod3_Fe)^2)

MedianRezeptur5Mod3_Mn<-MedianRezeptur5Mod3$Mn
data_Mn<-data$Mn
Mn<-sqrt((data_Mn-MedianRezeptur5Mod3_Mn)^2)

MedianRezeptur5Mod3_Ca<-MedianRezeptur5Mod3$Ca
data_Ca<-data$Ca
Ca<-sqrt((data_Ca-MedianRezeptur5Mod3_Ca)^2)

MedianRezeptur5Mod3_K<-MedianRezeptur5Mod3$K
data_K<-data$K
K<-sqrt((data_K-MedianRezeptur5Mod3_K)^2)

MedianRezeptur5Mod3_P<-MedianRezeptur5Mod3$P
data_P<-data$P
P<-sqrt((data_P-MedianRezeptur5Mod3_P)^2)

Normabstand_SE<-data.frame(Probennummer,Kultur,Si,Ti,Al,Fe,Mn,Ca,K,P)
Normabstand_Rez5_Tabelle<-Normabstand_SE %>% rowwise() %>%  mutate(Summe = sum(c(Si,Ti,Al,Fe,Mn,Ca,K,P)))
Normabstand_Rez5<-Normabstand_Rez5_Tabelle$Summe

12.7 Normabstand berechnen - Rezeptur 6

MedianRezeptur6Mod3<-filter(MedianGruppenMod3, Modell2=="Rezeptur 6")

MedianRezeptur6Mod3_Si<-MedianRezeptur6Mod3$Si
data_Si<-data$Si
Si<-sqrt((data_Si-MedianRezeptur6Mod3_Si)^2)

MedianRezeptur6Mod3_Ti<-MedianRezeptur6Mod3$Ti
data_Ti<-data$Ti
Ti<-sqrt((data_Ti-MedianRezeptur6Mod3_Ti)^2)

MedianRezeptur6Mod3_Al<-MedianRezeptur6Mod3$Al
data_Al<-data$Al
Al<-sqrt((data_Al-MedianRezeptur6Mod3_Al)^2)

MedianRezeptur6Mod3_Fe<-MedianRezeptur6Mod3$Fe
data_Fe<-data$Fe
Fe<-sqrt((data_Fe-MedianRezeptur6Mod3_Fe)^2)

MedianRezeptur6Mod3_Mn<-MedianRezeptur6Mod3$Mn
data_Mn<-data$Mn
Mn<-sqrt((data_Mn-MedianRezeptur6Mod3_Mn)^2)

MedianRezeptur6Mod3_Ca<-MedianRezeptur6Mod3$Ca
data_Ca<-data$Ca
Ca<-sqrt((data_Ca-MedianRezeptur6Mod3_Ca)^2)

MedianRezeptur6Mod3_K<-MedianRezeptur6Mod3$K
data_K<-data$K
K<-sqrt((data_K-MedianRezeptur6Mod3_K)^2)

MedianRezeptur6Mod3_P<-MedianRezeptur6Mod3$P
data_P<-data$P
P<-sqrt((data_P-MedianRezeptur6Mod3_P)^2)

Normabstand_SE<-data.frame(Probennummer,Kultur,Si,Ti,Al,Fe,Mn,Ca,K,P)
Normabstand_Rez6_Tabelle<-Normabstand_SE %>% rowwise() %>%  mutate(Summe = sum(c(Si,Ti,Al,Fe,Mn,Ca,K,P)))
Normabstand_Rez6<-Normabstand_Rez6_Tabelle$Summe

12.8 Normabstand berechnen - Rezeptur 7

MedianRezeptur7Mod3<-filter(MedianGruppenMod3, Modell2=="Rezeptur 7")

MedianRezeptur7Mod3_Si<-MedianRezeptur7Mod3$Si
data_Si<-data$Si
Si<-sqrt((data_Si-MedianRezeptur7Mod3_Si)^2)

MedianRezeptur7Mod3_Ti<-MedianRezeptur7Mod3$Ti
data_Ti<-data$Ti
Ti<-sqrt((data_Ti-MedianRezeptur7Mod3_Ti)^2)

MedianRezeptur7Mod3_Al<-MedianRezeptur7Mod3$Al
data_Al<-data$Al
Al<-sqrt((data_Al-MedianRezeptur7Mod3_Al)^2)

MedianRezeptur1Mod3_Fe<-MedianRezeptur7Mod3$Fe
data_Fe<-data$Fe
Fe<-sqrt((data_Fe-MedianRezeptur1Mod3_Fe)^2)

MedianRezeptur7Mod3_Mn<-MedianRezeptur7Mod3$Mn
data_Mn<-data$Mn
Mn<-sqrt((data_Mn-MedianRezeptur7Mod3_Mn)^2)

MedianRezeptur7Mod3_Ca<-MedianRezeptur7Mod3$Ca
data_Ca<-data$Ca
Ca<-sqrt((data_Ca-MedianRezeptur7Mod3_Ca)^2)

MedianRezeptur7Mod3_K<-MedianRezeptur7Mod3$K
data_K<-data$K
K<-sqrt((data_K-MedianRezeptur7Mod3_K)^2)

MedianRezeptur7Mod3_P<-MedianRezeptur7Mod3$P
data_P<-data$P
P<-sqrt((data_P-MedianRezeptur7Mod3_P)^2)

Normabstand_HE<-data.frame(Probennummer,Kultur,Si,Ti,Al,Fe,Mn,Ca,K,P)
Normabstand_Rez7_Tabelle<-Normabstand_SE %>% rowwise() %>%  mutate(Summe = sum(c(Si,Ti,Al,Fe,Mn,Ca,K,P)))
Normabstand_Rez7<-Normabstand_Rez7_Tabelle$Summe

12.9 Zusammenführen der Variablen

# Kombinieren mehrerer Dataframes
NormabstandGruppenMod3<-data.frame(Normabstand_Rez1,Normabstand_Rez2,Normabstand_Rez3,Normabstand_Rez2,Normabstand_Rez3,Normabstand_Rez4,Normabstand_Rez5,Normabstand_Rez6,Normabstand_Rez7)

12.10 Zuweisen der Funde zum geringsten Normabstand

Quelle

Quelle: https://stackoverflow.com/questions/17735859/for-each-row-return-the-column-name-of-the-largest-value

# Bestimmen der Rezeptur mit dem kleinsten Normabstand für jede Probe
Min<-colnames(NormabstandGruppenMod3)[apply(NormabstandGruppenMod3,1,which.min)]

# Definieren der Summe als Variable
data1$Modell3<-Min

# Spaltennamen "Normabstand_Rez" durch "Rezeptur" ersetzen
data1$Modell3<-gsub("Normabstand_Rez","Rezeptur ",data1$Modell3)

# Speichern als CSV
write.csv(data1,"../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//TestRezepturen_RHI_Abstmaß.csv",row.names=FALSE)

13 Abb. 6-150

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//TestRezepturen_RHI_Abstmaß.csv")

# Daten nach ausgewählter Spalte sortieren
data<-data[order(data$Modell3),]

# Diagramme erstellen
Modell3_HE_CaO_Fe2O3<-ggplot(data, aes(x=CaO,y=Fe2O3, color=Modell3, shape=Kultur))+ 
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+ # Manuelle Definition von Größe und Form der Symbole
  scale_color_manual(name="Modell3",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2"))+ # Manuelle Definition der Farbe der Symbole
  xlab("CaO in %")+ ylab("Fe2O3 in %")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung

Modell3_HE_CaO_P2O5<-ggplot(data, aes(x=CaO,y=P2O5, color=Modell3, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell3",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2"))+  
  xlab("CaO in %")+ ylab("P2O5 in %")+ 
  theme_classic()+ 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell3_HE_Al2O3_SiO2<-ggplot(data, aes(x=Al2O3,y=SiO2, color=Modell3, shape=Kultur))+ 
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell3",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2"))+  
  xlab("Al2O3 in %")+ ylab("SiO2 in %")+ 
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Modell3_HE_TiO2_K2O<-ggplot(data, aes(x=TiO2,y=K2O, color=Modell3, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell3",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2"))+
  xlab("TiO2 in %")+ ylab("K2O in %")+ 
  theme_classic()+ 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme 
ggarrange(Modell3_HE_Al2O3_SiO2,Modell3_HE_CaO_P2O5,Modell3_HE_CaO_Fe2O3,Modell3_HE_TiO2_K2O,ncol=2,nrow=2,align = "hv",common.legend=TRUE)+theme(legend.position="bottom")

# Export des kombinierten Diagramms 
ggsave("Abb.6-150.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Rezeptur//"),plot=last_plot(),device="eps",height=11,width=15.3,unit=c("cm"),dpi=1200)

14 Dunns Test für Modell 2

Quelle

Quelle: https://www.datanovia.com/en/lessons/kruskal-wallis-test-in-r/, https://journals.sagepub.com/doi/pdf/10.1177/1536867X1501500117

# Daten einlesen und filtern
data1<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//TestRezepturen_RHI_Abstmaß.csv")
data2<-data1[,c(11,34),]

# Berechnung der deskriptiven Statistik für Modell 2
data2 %>% 
  group_by(Modell2) %>%
  get_summary_stats(Normabst, type = "common")

# A tibble: 7 × 11
  Modell2    variable     n   min   max median   iqr  mean     sd     se      ci
  <chr>      <fct>    <dbl> <dbl> <dbl>  <dbl> <dbl> <dbl>  <dbl>  <dbl>   <dbl>
1 Rezeptur 1 Normabst    57  0.64  4.94   1.99 0.806  2.06  0.769  0.102   0.204
2 Rezeptur 2 Normabst    12  1.7   5.14   2.99 0.744  3.07  0.979  0.282   0.622
3 Rezeptur 3 Normabst    12  3.28  8.47   5.22 0.862  5.47  1.47   0.426   0.937
4 Rezeptur 4 Normabst     1  6.47  6.47   6.47 0      6.47 NA     NA     NaN    
5 Rezeptur 5 Normabst     1  6.95  6.95   6.95 0      6.95 NA     NA     NaN    
6 Rezeptur 6 Normabst    16  6.48 11.2    7.46 1.57   8.09  1.34   0.335   0.714
7 Rezeptur 7 Normabst     3  8.83 10.2    9.69 0.676  9.57  0.685  0.395   1.70 

# Durchführung des Kruskal-Wallis-Tests    
res.kruskal<-data2%>%kruskal_test(Normabst~Modell2)
res.kruskal

# A tibble: 1 × 6
  .y.          n statistic    df        p method        
* <chr>    <int>     <dbl> <int>    <dbl> <chr>         
1 Normabst   102      72.3     6 1.37e-13 Kruskal-Wallis

# Berechnung der Effektgröße
data2%>%kruskal_effsize(Normabst~Modell2)

# A tibble: 1 × 5
  .y.          n effsize method  magnitude
* <chr>    <int>   <dbl> <chr>   <ord>    
1 Normabst   102   0.698 eta2[H] large    

# Durchführung des Dunn-Tests für paarweise Vergleiche mit Bonferroni-Korrektur
pwc<-data2%>%dunn_test(Normabst~Modell2,p.adjust.method="bonferroni")
pwc

# A tibble: 21 × 9
   .y.      group1   group2    n1    n2 statistic        p    p.adj p.adj.signif
 * <chr>    <chr>    <chr>  <int> <int>     <dbl>    <dbl>    <dbl> <chr>       
 1 Normabst Rezeptu… Rezep…    57    12     2.31  2.07e- 2 4.34e- 1 ns          
 2 Normabst Rezeptu… Rezep…    57    12     4.77  1.84e- 6 3.87e- 5 ****        
 3 Normabst Rezeptu… Rezep…    57     1     1.63  1.04e- 1 1   e+ 0 ns          
 4 Normabst Rezeptu… Rezep…    57     1     1.76  7.81e- 2 1   e+ 0 ns          
 5 Normabst Rezeptu… Rezep…    57    16     7.07  1.52e-12 3.20e-11 ****        
 6 Normabst Rezeptu… Rezep…    57     3     3.82  1.35e- 4 2.83e- 3 **          
 7 Normabst Rezeptu… Rezep…    12    12     1.91  5.60e- 2 1   e+ 0 ns          
 8 Normabst Rezeptu… Rezep…    12     1     0.871 3.84e- 1 1   e+ 0 ns          
 9 Normabst Rezeptu… Rezep…    12     1     1.00  3.17e- 1 1   e+ 0 ns          
10 Normabst Rezeptu… Rezep…    12    16     3.32  9.16e- 4 1.92e- 2 *           
# ℹ 11 more rows

# Speichern als CSV
write.csv(pwc,"../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//TestRezepturen_RHI_Dunn.csv",row.names=FALSE)

15 Abb. 6-151

15.1 Zusammenstellen der Daten

# Daten einlesen und filtern
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//TestRezepturen_RHI_Abstmaß.csv")
data2<-data[,c(12:16,18:20,34),]

# Variationskoeffizient-Funktion mit Fehlerbehandlung
Varkoef <- function(x) { (sd(x, na.rm = TRUE) / mean(x, na.rm = TRUE)) * 100 }

# Berechnung der Kennwerte
KennwerteRezeptur<-(data2) %>%
  group_by(Modell2) %>%
  dplyr::summarise(across(everything(),list(Varkoef=Varkoef,Mittelwert=mean,stabw=sd, Median=median)))

# Erste Zeilen der Tabelle anziegen
head(KennwerteRezeptur)

# A tibble: 6 × 33
  Modell2    SiO2_Varkoef SiO2_Mittelwert SiO2_stabw SiO2_Median TiO2_Varkoef
  <chr>             <dbl>           <dbl>      <dbl>       <dbl>        <dbl>
1 Rezeptur 1         9.39            56.5       5.31        56.1         13.5
2 Rezeptur 2         8.25            56.3       4.64        57.6         10.5
3 Rezeptur 3        11.4             50.7       5.77        50.9         11.6
4 Rezeptur 4        NA               39.8      NA           39.8         NA  
5 Rezeptur 5        NA               65.7      NA           65.7         NA  
6 Rezeptur 6         8.21            44.0       3.61        43.4         14.0
# ℹ 27 more variables: TiO2_Mittelwert <dbl>, TiO2_stabw <dbl>,
#   TiO2_Median <dbl>, Al2O3_Varkoef <dbl>, Al2O3_Mittelwert <dbl>,
#   Al2O3_stabw <dbl>, Al2O3_Median <dbl>, Fe2O3_Varkoef <dbl>,
#   Fe2O3_Mittelwert <dbl>, Fe2O3_stabw <dbl>, Fe2O3_Median <dbl>,
#   MnO_Varkoef <dbl>, MnO_Mittelwert <dbl>, MnO_stabw <dbl>, MnO_Median <dbl>,
#   CaO_Varkoef <dbl>, CaO_Mittelwert <dbl>, CaO_stabw <dbl>, CaO_Median <dbl>,
#   K2O_Varkoef <dbl>, K2O_Mittelwert <dbl>, K2O_stabw <dbl>, …

# Speichern als CSV
write.csv(KennwerteRezeptur,"../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//KennwerteRezeptur_RHI.csv",row.names=FALSE)

15.2 Erstellen Abb. 6-151

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//KennwerteRezeptur_RHI.csv")

# Diagramme erstellen
Rezeptur_Errorplot_TiO2_K2O<-ggplot(data, aes(x=TiO2_Mittelwert,y=K2O_Mittelwert, color=Modell2,
                                              xmin = TiO2_Mittelwert-TiO2_stabw, xmax = TiO2_Mittelwert+TiO2_stabw, # Fehlerbalken links und rechts                 
                                              ymin=K2O_Mittelwert-K2O_stabw,ymax=K2O_Mittelwert+K2O_stabw))+ # Fehlerbalken unten und oben
  geom_errorbar(width=.01)+geom_errorbarh(height=.1)+ # Länge der Fehlerbalken
  geom_point()+ # Hinzufügen der Symbole
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2"))+ # Manuelle Definition der Farbe der Symbole
  geom_text(aes(label=Modell2),hjust=-0.1, vjust=-0.3,size=2.75)+ # Manuelle Beschriftung der Symbole  
  xlab("TiO2 in %")+ylab("K2O in %")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design 
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.position = "none")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung

Rezeptur_Errorplot_Al2O3_SiO2<-ggplot(data, aes(x=Al2O3_Mittelwert,y=SiO2_Mittelwert, color=Modell2,
                                                xmin = Al2O3_Mittelwert-Al2O3_stabw, xmax = Al2O3_Mittelwert+Al2O3_stabw,
                                                ymin=SiO2_Mittelwert-SiO2_stabw, ymax=SiO2_Mittelwert+SiO2_stabw))+
  geom_errorbar(width=.1)+geom_errorbarh(height=.9)+  
  geom_point()+ 
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2"))+
  geom_text(aes(label=Modell2),hjust=-0.1, vjust=-0.3,size=2.75)+  
  xlab("Al2O3 in %")+ylab("SiO2 in %")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.position = "none")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Rezeptur_Errorplot_CaO_Fe2O3<-ggplot(data, aes(x=CaO_Mittelwert,y=Fe2O3_Mittelwert, color=Modell2, 
                                               xmin = CaO_Mittelwert-CaO_stabw, xmax = CaO_Mittelwert+CaO_stabw,
                                               ymin=Fe2O3_Mittelwert-Fe2O3_stabw, ymax=Fe2O3_Mittelwert+Fe2O3_stabw))+
  geom_errorbar(width=.2)+geom_errorbarh(height=.2)+
  geom_point()+
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2"))+
  geom_text(aes(label=Modell2),hjust=-0.1, vjust=-0.3,size=2.75)+
  xlab("CaO in %")+ylab("Fe2O3 in %")+
  theme_classic()+theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.position = "none")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Rezeptur_Errorplot_CaO_P2O5<-ggplot(data, aes(x=CaO_Mittelwert,y=P2O5_Mittelwert, color=Modell2, 
                                              xmin = CaO_Mittelwert-CaO_stabw, xmax = CaO_Mittelwert+CaO_stabw,
                                              ymin=P2O5_Mittelwert-P2O5_stabw, ymax=P2O5_Mittelwert+P2O5_stabw))+
  geom_errorbar(width=.2)+geom_errorbarh(height=.3)+ 
  geom_point()+
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2"))+
  geom_text(aes(label=Modell2),hjust=-0.1, vjust=-0.3,size=2.75)+
  xlab("CaO in %")+ylab("P2O5 in %")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.position = "none")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme
ggarrange(Rezeptur_Errorplot_Al2O3_SiO2,Rezeptur_Errorplot_CaO_P2O5,Rezeptur_Errorplot_CaO_Fe2O3,Rezeptur_Errorplot_TiO2_K2O,ncol=2,nrow=2,align = "hv",common.legend=TRUE)+theme(legend.position="bottom")

# Export des kombinierten Diagramms 
ggsave("Abb.6-151.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Rezeptur//"),plot=last_plot(),device="eps",height=11,width=15.3,unit=c("cm"),dpi=1200)

16 Abb. 6-152

16.1 Zusammenstellen der Daten

# Daten einlesen und filtern
data1<- read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage/Daten_RHI_vollständigMW.csv")
data2<-subset(data1, Kultur %in% c("LBK","La Hoguette"))
data3<-data2[,c(1,3:84),]

# Daten einlesen und filtern
data4<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Rezeptur//Normabstand_HE_RHI_mitMesswerten_bearb.csv")
data5<-data4[,c(1,34),]

# Kombinieren mehrerer Dataframes basierend auf der Probennummer
data8<-merge(data3,data5, by="Probennummer", all=TRUE)

# Speichern als CSV
write.csv(data8,"../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage/Daten_RHI_Ker_vollständigMW_chemGruppen.csv",row.names=FALSE)

16.2 Erstellen Abb. 6-152

# Daten einlesen
data<- read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage/Daten_RHI_Ker_vollständigMW_chemGruppen.csv")

# Diagramme erstellen
Part1<-ggplot(data)+ geom_bar(aes(x=Modell2),fill="sienna4",color="black")+ # Manuelle Definition der Farbe der Balken
  geom_text(aes(x=Modell2,label=..count..),stat='count',position=position_dodge(1),vjust=-0.3,size=2.75)+ # Manuelles Hinzufügen der Zahlenwerte als Text oberhalb der Balken
  xlab("Chemische Rezepturen")+ylab("Probenanzahl")+ # Manuelle Achsenbeschriftung
  scale_y_continuous(breaks=seq(0,160,10),expand=c(0,0), limits=c(0,60))+ # Manuelle Definition der Y-Achse
  theme_classic()+  # Klassisches Design
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_blank())+ theme(legend.position="none")+ theme(axis.ticks=element_line(size=0.25,colour="black"))+theme(axis.text.x = element_blank()) # Manuelle Formatierung von Achsen- und Legendendarstellung

Part2<-ggplot(data)+ geom_bar(aes(fill=Kultur, x=Modell2),position = position_dodge2(preserve = 'single',padding = 0.0),color="black")+
  scale_fill_manual(values = c("La Hoguette" = "grey20", "LBK" = "lightgrey"))+ # Manuelle Definition der Farbe der Balken
  geom_text(aes(mapping=Kultur, x=Modell2,label=..count..),stat='count',position=position_dodge(1),vjust=-0.3,size=2.75)+ # Manuelles Hinzufügen der Zahlenwerte als Text oberhalb der Balken
  xlab("Chemische Rezepturen")+ylab("Probenanzahl")+ # Manuelle Achsenbeschriftung
  scale_y_continuous(breaks=seq(0,145,10),expand=c(0,0), limits=c(0,50))+ # Manuelle Definition der Y-Achse
  theme_classic()+  # Klassisches Design
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))+ # Manuelle Formatierung von Achsen- und Legendendarstellung
  theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1)) # Vertikale Darstellung der X-Achsenbeschriftung

# Kombination der Diagramme 
plot_grid(Part1,Part2,ncol=1,nrow=2,align = "v",axis = "lr",rel_heights=c(1,2))

# Export des kombinierten Diagramms
ggsave("Abb.6-152.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Rezeptur//"),plot=last_plot(),device="eps",height=10,width=8,unit=c("cm"),dpi=1200)

17 Abb. 6-153

# Daten einlesen
data<- read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage/Daten_RHI_Ker_vollständigMW_chemGruppen.csv")

# Diagramm erstellen
ggplot(data)+ geom_bar(aes(fill=Modell2, x=Datierung),position = position_dodge2(preserve = 'single',padding = 0.0),color="black")+
  scale_fill_manual(values = c("Rezeptur 1" = "paleturquoise", "Rezeptur 2" = "slategrey","Rezeptur 3"="coral3","Rezeptur 4"="pink2","Rezeptur 5"="orchid2","Rezeptur 6"="steelblue2", "Rezeptur 7"="lightgoldenrod2"))+ # Manuelle Definition der Farbe der Balken
  geom_text(aes(mapping=Modell2, x=Datierung,label=..count..),stat='count',position=position_dodge(1),vjust=-0.3,size=2.75)+ # Manuelles Hinzufügen der Zahlenwerte als Text oberhalb der Balken
  xlab("Datierung")+ylab("Probenanzahl")+ # Manuelle Achsenbeschriftung
  scale_y_continuous(breaks=seq(0,52,10),expand=c(0,0), limits=c(0,53))+ # Manuelle Definition der Y-Achse
  theme_classic()+ # Klassisches Design
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung 

# Export des Diagramms 
ggsave("Abb.6-153.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Rezeptur//"),plot=last_plot(),device="eps",height=8,width=8,unit=c("cm"),dpi=1200)

18 Abb. 6-154

# Daten einlesen
data<- read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage/Daten_RHI_Ker_vollständigMW_chemGruppen.csv")

# Diagramm erstellen
ggplot(data)+ geom_bar(aes(fill=Modell2, x=Befund),position = position_dodge2(preserve = 'single',padding = 0.0),color="black")+
  scale_fill_manual(values = c("Rezeptur 1" = "paleturquoise", "Rezeptur 2" = "slategrey","Rezeptur 3"="coral3","Rezeptur 4"="pink2","Rezeptur 5"="orchid2","Rezeptur 6"="steelblue2", "Rezeptur 7"="lightgoldenrod2"))+ # Manuelle Definition der Farbe der Balken
  geom_text(aes(mapping=Modell2, x=Befund,label=..count..),stat='count',position=position_dodge(1),vjust=-0.3,size=2.75)+ # Manuelles Hinzufügen der Zahlenwerte als Text oberhalb der Balken
  xlab("Kontexte")+ylab("Probenanzahl")+ # Manuelle Achsenbeschriftung
  scale_y_continuous(breaks=seq(0,52,2),expand=c(0,0), limits=c(0,15.7))+ # Manuelle Definition der Y-Achse
  theme_classic()+ # Klassisches Design
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))+ # Manuelle Formatierung von Achsen- und Legendendarstellung 
  theme(axis.text.x = element_text(angle = 90, vjust = 0.3,hjust=0.3)) # Vertikale Darstellung der X-Achsenbeschriftung

# Export des Diagramms 
ggsave("Abb.6-154.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Rezeptur//"),plot=last_plot(),device="eps",height=9,width=10,unit=c("cm"),dpi=1200)

19 Abb. 6-155 - Statistik

# Daten einlesen und filtern
data<- read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage/Daten_RHI_Ker_vollständigMW_chemGruppen.csv")
Tab1<-data[,c(26,66),]

# Erstellen der Tabelle
Tab2<-Tab1 %>% dplyr::count(Gruppe.Magerung,Kultur) # Berechnen wie häufig die jeweiligen Magerungsarten für La Hoguette und Bandkeramik vorkommen
Tab3<-Tab2 %>% group_by(Kultur) %>% mutate(percent = prop.table(n)) # Berechnen der prozentualen Anteile je Magerungsart für La Hoguette und Bandkeramik

# Export der Tabelle
write.csv(Tab3,"../Daten//Kap_6//Kap_6.3//Abbildungen//Rezeptur//Tab_Abb_6_155.csv",row.names=FALSE)

20 Abb. 6-156

# Daten einlesen
data<- read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage/Daten_RHI_Ker_vollständigMW_chemGruppen.csv")

# Diagramm erstellen
ggplot(data)+ geom_bar(aes(fill=Modell2, x=Gruppe.Magerung),position = position_dodge2(preserve = 'single',padding = 0.0),color="black")+
  scale_fill_manual(values = c("Rezeptur 1" = "paleturquoise", "Rezeptur 2" = "slategrey","Rezeptur 3"="coral3","Rezeptur 4"="pink2","Rezeptur 5"="orchid2","Rezeptur 6"="steelblue2", "Rezeptur 7"="lightgoldenrod2"))+ # Manuelle Definition der Farbe der Balken
  geom_text(aes(mapping=Modell2, x=Gruppe.Magerung,label=..count..),stat='count',position=position_dodge(1),vjust=-0.3,size=2.75)+ # Manuelles Hinzufügen der Zahlenwerte als Text oberhalb der Balken
  xlab("Warenart")+ylab("Probenanzahl")+ # Manuelle Achsenbeschriftung
  scale_y_continuous(breaks=seq(0,32,2),expand=c(0,0), limits=c(0,15.9))+ # Manuelle Definition der Y-Achse
  theme_classic()+ # Klassisches Design
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))+ # Manuelle Formatierung von Achsen- und Legendendarstellung 
  theme(axis.text.x = element_text(angle = 90, vjust = 0.3,hjust=0.3)) # Vertikale Darstellung der X-Achsenbeschriftung

# Export des Diagramms 
ggsave("Abb.6-156.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Rezeptur//"),plot=last_plot(),device="eps",height=11,width=15.3,unit=c("cm"),dpi=1200)

21 Abb. 6-157

# Daten einlesen
data<- read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage/Daten_RHI_Ker_vollständigMW_chemGruppen.csv")

# Definieren der Darstellungsreihenfolge
data$Typ<-factor(data$Typ,levels=c("Eifoermiger Topf","Schale","Kumpfartiges Gefaess","Flasche","Schuessel","Feinkeramischer Kumpf","Grobkeramischer Kumpf","Unbestimmt"))

# Diagramm erstellen
ggplot(data)+ geom_bar(aes(fill=Modell2, x=Typ),position = position_dodge2(preserve = 'single',padding = 0.0),color="black")+
  scale_fill_manual(values = c("Rezeptur 1" = "paleturquoise", "Rezeptur 2" = "slategrey","Rezeptur 3"="coral3","Rezeptur 4"="pink2","Rezeptur 5"="orchid2","Rezeptur 6"="steelblue2", "Rezeptur 7"="lightgoldenrod2"))+ # Manuelle Definition der Farbe der Balken
  geom_text(aes(mapping=Modell2, x=Typ,label=..count..),stat='count',position=position_dodge(1),vjust=-0.3,size=2.75)+ # Manuelles Hinzufügen der Zahlenwerte als Text oberhalb der Balken
  xlab("Gefäßtyp")+ylab("Probenanzahl")+ # Manuelle Achsenbeschriftung
  scale_y_continuous(breaks=seq(0,17,2),expand=c(0,0), limits=c(0,18))+ # Manuelle Definition der Y-Achse
  theme_classic()+ # Klassisches Design
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))+ # Manuelle Formatierung von Achsen- und Legendendarstellung 
  theme(axis.text.x = element_text(angle = 90, vjust = 0.3,hjust=0.3)) # Vertikale Darstellung der X-Achsenbeschriftung

# Export des Diagramms 
ggsave("Abb.6-157.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Rezeptur//"),plot=last_plot(),device="eps",height=10,width=10,unit=c("cm"),dpi=1200)

22 Abb. 6-158

# Daten einlesen und filtern
data<- read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage/Daten_RHI_Ker_vollständigMW_chemGruppen.csv")
data<-subset(data, Kultur %in% c("La Hoguette"))

# Diagramm erstellen
ggplot(data)+ geom_bar(aes(fill=Modell2, x=LeFranc),position = position_dodge2(preserve = 'single',padding = 0.0),color="black")+
  scale_fill_manual(values = c("Rezeptur 1" = "paleturquoise", "Rezeptur 2" = "slategrey","Rezeptur 3"="coral3","Rezeptur 4"="pink2","Rezeptur 5"="orchid2","Rezeptur 6"="steelblue2", "Rezeptur 7"="lightgoldenrod2"))+ # Manuelle Definition der Farbe der Balken
  geom_text(aes(mapping=Modell2, x=LeFranc,label=..count..),stat='count',position=position_dodge(1),vjust=-0.3,size=2.75)+ # Manuelles Hinzufügen der Zahlenwerte als Text oberhalb der Balken
  xlab("Zierstil nach LeFranc")+ylab("Probenanzahl")+ # Manuelle Achsenbeschriftung
  scale_y_continuous(breaks=seq(0,15,2),expand=c(0,0), limits=c(0,15))+ # Manuelle Definition der Y-Achse
  theme_classic()+ # Klassisches Design
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))+ # Manuelle Formatierung von Achsen- und Legendendarstellung 
  theme(axis.text.x = element_text(angle = 90, vjust = 0.3,hjust=0.3)) # Vertikale Darstellung der X-Achsenbeschriftung

# Export des Diagramms 
ggsave("Abb.6-158.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Rezeptur//"),plot=last_plot(),device="eps",height=8,width=6,unit=c("cm"),dpi=1200)

23 Daten zusammenstellen

# Daten einlesen und filtern
data1<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Herkunft//Normabstand_RHI_SE.csv")
data2<- read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage//Daten_RHI_vollständigMW.csv")
data3<-subset(data2, Kultur %in% c("LBK","La Hoguette"))
data4<-data3[,c(1,3:23)]

# Kombinieren mehrerer Dataframes basierend auf der Probennummer
data<-merge(data1,data4, by="Probennummer", all=TRUE)

# Entfernen von ".y" aus den Spaltennamen
colnames(data) <- gsub(".y", "", colnames(data))

# Spaltennamen "Summe" durch "Normabst" ersetzen
colnames(data) <- gsub("Summe", "Normabst", colnames(data))

# Speichern als CSV
write.csv(data,"../Daten//Kap_6//Kap_6.3//Grundlagen//Herkunft//Normabstand_SE_RHI_mitMesswerten.csv",row.names=FALSE)

24 Abb. 6-159

24.1 Histogramm

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Herkunft//Normabstand_SE_RHI_mitMesswerten.csv")

# Berechnung der unteren (25%) und oberen (75%) Quartile für die Spalte "Normabst"
Normabst0 <- (data) %>%
  dplyr::summarise(lower = quantile(Normabst, probs = .25),
            upper = quantile(Normabst, probs = .75))

# Diagramm erstellen    
Hist_NormHE_Keramik_LBKI<-ggplot(data,aes(x=Normabst))+
  geom_histogram(fill="lightgrey", color="black",binwidth=0.15,bins=NULL)+ # Manuelle Definition der Farbe der Balken
  ylab("Häufigkeit")+# Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design
  scale_x_continuous(breaks=seq(0,36,1))+
  scale_y_continuous(breaks=seq(0,150,5))+ # Manuelle Definition der Achsen
 theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))+ # Manuelle Formatierung von Achsen- und Legendendarstellung
  geom_vline(aes(xintercept=median(Normabst)),color="blue", linetype="dashed", linewidth=1)+theme(axis.title.x=element_blank())+ # Vertikale Markierung des Medians
  geom_vline(data=Normabst0, aes(xintercept=lower), color="red", linetype="dotted", linewidth=1)+ # Vertikale Markierung des 25%-Quartils
  geom_vline(data=Normabst0, aes(xintercept=upper), color="red", linetype="dotted", linewidth=1) # Vertikale Markierung des 75%-Quartils

# Berechnung der unteren (25%) und oberen (75%) Quartile für die Spalte "Normabst" nach Kultur
Normabst1 <- (data) %>%
  group_by(Kultur) %>%
  dplyr::summarise(lower = quantile(Normabst, probs = .25),
            upper = quantile(Normabst, probs = .75))

# Diagramm erstellen  
Hist_NormHE_Keramik_nKultur_LBKI<-ggplot(subset(data,Kultur %in% c("La Hoguette","LBK")),aes(x=Normabst))+
  geom_histogram(fill="lightgrey", color="black",binwidth=0.15,bins=NULL)+ # Manuelle Definition der Farbe der Balken
  xlab("Distanz zur lokalen bandkeramischen Gefäßeinheit von Rottenburg-Hailfingen 'Unter dem Tübinger Weg'")+ylab("Häufigkeit")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design
  scale_x_continuous(breaks=seq(0,36,1))+ # Manuelle Definition der Achsen
  scale_y_continuous(breaks=seq(0,150,5))+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))+ # Manuelle Formatierung von Achsen- und Legendendarstellung
  facet_grid(Kultur~.)+theme(strip.text.y = element_text(angle = 0),strip.background = element_rect(colour="white", fill="white"))+ # Facettierung nach Kategorien
  geom_vline(data=ddply(subset(data,Kultur %in% c("La Hoguette","LBK")), "Kultur", dplyr::summarise, grp.median=median(Normabst)), aes(xintercept=grp.median),color="blue", linetype="dashed", linewidth=1)+ # Vertikale Markierung des Medians nach Kategorien
  geom_vline(data=Normabst1, aes(xintercept=lower), color="red", linetype="dotted", linewidth=1)+ # Vertikale Markierung des 25%-Quartils nach Kategorien
  geom_vline(data=Normabst1, aes(xintercept=upper), color="red", linetype="dotted", linewidth=1)+ # Vertikale Markierung des 75%-Quartils nach Kategorien
  labs(subtitle=paste("Kruskal-Wallis, p=",round(({compare_means(Normabst~ Kultur,aes(x=Normabst), data=subset(data,Kultur %in% c("La Hoguette","LBK")),method="kruskal.test")$p}),6))) # Berechnen des Kruskal-Wallis-Tests inkl. p-Wert und anzeigen als Unterüberschrift
                                                                 
# Kombination der Diagramme 
plot_grid(Hist_NormHE_Keramik_LBKI,Hist_NormHE_Keramik_nKultur_LBKI,ncol=1,nrow=2,align = "v",axis = "lr",rel_heights=c(1,2))

# Export des kombinierten Diagramms 
ggsave("Abb.6-159.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Herkunft//"),plot=last_plot(),device="eps",height=9,width=15.3,unit=c("cm"),dpi=1200)

24.2 Kennwerte

# Berechnen von Mittelwert und Standardabweichung für den gesamten Datensatz
data  %>% dplyr::summarise(m = mean(Normabst),sd=sd(Normabst))

         m        sd
1 1.177361 0.5037958

# Berechnen von Mittelwert und Standardabweichung nach Kategorien
group_by(data, Kultur)  %>% dplyr::summarise(m = mean(Normabst),sd=sd(Normabst))

# A tibble: 2 × 3
  Kultur          m    sd
  <chr>       <dbl> <dbl>
1 LBK          1.01 0.394
2 La Hoguette  1.32 0.544

# Anzahl der Gesamtbeobachtungen
data %>% dplyr::summarise(count=n())

  count
1   102

# Anzahl der Beobachtungen pro Kategorie
data %>%  group_by(Kultur)  %>% dplyr::summarise(count=n())

# A tibble: 2 × 2
  Kultur      count
  <chr>       <int>
1 LBK            47
2 La Hoguette    55

25 Abb. 6-160

Die Einteilung der Proben in die chemischen Herkunften erfolgte in Excel.

25.1 Histogramm

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Herkunft//Normabstand_SE_RHI_mitMesswerten_bearb.csv")

# Berechnung der unteren (25%) und oberen (75%) Quartile für die Spalte "Normabst"
Normabst0 <- (data) %>%
  dplyr::summarise(lower = quantile(Normabst, probs = .25),
            upper = quantile(Normabst, probs = .75))

# Diagramm erstellen  
Hist_NormSE_Keramik_LBKI<-ggplot(data,aes(x=Normabst))+
  geom_histogram(fill="lightgrey", color="black",binwidth=0.15,bins=NULL)+ # Manuelle Definition der Farbe der Balken
  ylab("Häufigkeit")+# Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design
  scale_x_continuous(breaks=seq(0,36,1))+
  scale_y_continuous(breaks=seq(0,150,5))+ # Manuelle Definition der Achsen
 theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))+ # Manuelle Formatierung von Achsen- und Legendendarstellung
  geom_vline(aes(xintercept=median(Normabst)),color="blue", linetype="dashed", linewidth=1)+theme(axis.title.x=element_blank())+ # Vertikale Markierung des Medians
  geom_vline(data=Normabst0, aes(xintercept=lower), color="red", linetype="dotted", linewidth=1)+ # Vertikale Markierung des 25%-Quartils
  geom_vline(data=Normabst0, aes(xintercept=upper), color="red", linetype="dotted", linewidth=1) # Vertikale Markierung des 75%-Quartils

# Berechnung der unteren (25%) und oberen (75%) Quartile für die Spalte "Normabst" nach Modell2
Normabst10 <- (data) %>%
  group_by(Modell1) %>%
  dplyr::summarise(lower = quantile(Normabst, probs = .25),
            upper = quantile(Normabst, probs = .75))
 
# Diagramm erstellen 
Hist_Modell1<-ggplot(data,aes(x=Normabst))+
  geom_histogram(fill="lightgrey", color="black",binwidth=0.15,bins=NULL)+ # Manuelle Definition der Farbe der Balken
  xlab("Distanz zur lokalen bandkeramischen Gefäßeinheit von Rottenburg-Hailfingen 'Unter dem Tübinger Weg'")+ylab("Häufigkeit")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design
  scale_x_continuous(breaks=seq(0,36,1))+ # Manuelle Definition der Achsen
  scale_y_continuous(breaks=seq(0,150,5))+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))+ # Manuelle Formatierung von Achsen- und Legendendarstellung
  facet_grid(Modell1~.)+theme(strip.text.y = element_text(angle = 0),strip.background = element_rect(colour="white", fill="white"))+ # Facettierung nach Kategorien
  geom_vline(data=ddply(data,"Modell1", dplyr::summarise, grp.median=median(Normabst)), aes(xintercept=grp.median),color="blue", linetype="dashed", linewidth=1)+ # Vertikale Markierung des Medians nach Kategorien
  geom_vline(data=Normabst10, aes(xintercept=lower), color="red", linetype="dotted", linewidth=1)+ # Vertikale Markierung des 25%-Quartils nach Kategorien
  geom_vline(data=Normabst10, aes(xintercept=upper), color="red", linetype="dotted", linewidth=1) # Vertikale Markierung des 75%-Quartils nach Kategorien

# Kombination der Diagramme
plot_grid(Hist_NormSE_Keramik_LBKI,Hist_Modell1,ncol=1,nrow=2,align = "v",axis = "lr",rel_heights=c(1,4))

# Export des kombinierten Diagramms 
ggsave("Abb.6-160.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Herkunft//"),plot=last_plot(),device="eps",height=13,width=15.3,unit=c("cm"),dpi=1200)

25.2 Kennwerte Modell 1

# Berechnen von Mittelwert und Standardabweichung für den gesamten Datensatz
data  %>% dplyr::summarise(m = mean(Normabst),sd=sd(Normabst))

         m        sd
1 1.177361 0.5037958

# Berechnen von Mittelwert und Standardabweichung nach Kategorien
group_by(data, Modell1)  %>% dplyr::summarise(m = mean(Normabst),sd=sd(Normabst))

# A tibble: 4 × 3
  Modell1        m     sd
  <chr>      <dbl>  <dbl>
1 Herkunft 1 0.752 0.195 
2 Herkunft 2 1.37  0.190 
3 Herkunft 3 2.08  0.176 
4 Herkunft 4 2.75  0.0773

# Anzahl der Gesamtbeobachtungen
data %>% dplyr::summarise(count=n())

  count
1   102

# Anzahl der Beobachtungen pro Kategorie
data %>%  group_by(Modell1)  %>% dplyr::summarise(count=n())

# A tibble: 4 × 2
  Modell1    count
  <chr>      <int>
1 Herkunft 1    45
2 Herkunft 2    48
3 Herkunft 3     6
4 Herkunft 4     3

26 Abb. 6-161

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Herkunft//Normabstand_SE_RHI_mitMesswerten_bearb.csv")

# Daten nach ausgewählter Spalte sortieren
data<-data[order(data$Modell1),]

# Diagramme erstellen
Modell1_SE_Rb_Sr<-ggplot(data, aes(x=Rb,y=Sr, color=Modell1, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+ # Manuelle Definition von Größe und Form der Symbole
  scale_color_manual(name="Modell1",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+ # Manuelle Definition der Farbe der Symbole
  xlab("Rb in ppm")+ylab("Sr in ppm")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung

Modell1_SE_Rb_Zr<-ggplot(data, aes(x=Rb,y=Zr, color=Modell1, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell1",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Rb in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell1_SE_Sr_Zr<-ggplot(data, aes(x=Sr,y=Zr, color=Modell1, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell1",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Sr in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell1_SE_Zn_Sr<-ggplot(data, aes(x=Zn,y=Sr, color=Modell1, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell1",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Zn in ppm")+ylab("Sr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell1_SE_Y_V<-ggplot(data, aes(x=Y,y=V, color=Modell1, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell1",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+
  xlab("Y in ppm")+ylab("V in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Modell1_SE_Zn_V<-ggplot(data, aes(x=Zn,y=V, color=Modell1, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell1",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Zn in ppm")+ylab("V in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell1_SE_Zn_Zr<-ggplot(data, aes(x=Zn,y=Zr, color=Modell1, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell1",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Zn in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell1_SE_Y_Zr<-ggplot(data, aes(x=Y,y=Zr, color=Modell1, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell1",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Y in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme 
ggarrange(Modell1_SE_Rb_Sr,Modell1_SE_Rb_Zr,Modell1_SE_Sr_Zr,Modell1_SE_Zn_Sr,Modell1_SE_Zn_V,Modell1_SE_Zn_Zr,Modell1_SE_Y_Zr,ncol=3,nrow=3,align="hv",common.legend=TRUE)+theme(legend.position="bottom")

# Export des kombinierten Diagramms 
ggsave("Abb.6-161.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Herkunft//"),plot=last_plot(),device="eps",height=14,width=15.3,unit=c("cm"),dpi=1200)

27 Abb. 6-162

Die Datei Normabstand_SE_BB_mitMesswerten_bearb wurde in Excel um die beschriebenen Veränderungen für Modell 2 erweitert:

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Herkunft//Normabstand_SE_RHI_mitMesswerten_bearb.csv")

# Daten nach ausgewählter Spalte sortieren
data<-data[order(data$Modell2a),]

# Diagramme erstellen
Modell2a_SE_Rb_Sr<-ggplot(data, aes(x=Rb,y=Sr, color=Modell2a, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+ # Manuelle Definition von Größe und Form der Symbole
  scale_color_manual(name="Modell2a",values=c("cornsilk3","darkslategrey","slategray1","palegreen3","mediumpurple","palevioletred1","orange3"))+ # Manuelle Definition der Farbe der Symbole
  xlab("Rb in ppm")+ylab("Sr in ppm")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung

Modell2a_SE_Rb_Zr<-ggplot(data, aes(x=Rb,y=Zr, color=Modell2a, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2a",values=c("cornsilk3","darkslategrey","slategray1","palegreen3","mediumpurple","palevioletred1","orange3"))+    xlab("Rb in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2a_SE_Sr_Zr<-ggplot(data, aes(x=Sr,y=Zr, color=Modell2a, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2a",values=c("cornsilk3","darkslategrey","slategray1","palegreen3","mediumpurple","palevioletred1","orange3"))+    xlab("Sr in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2a_SE_Zn_Sr<-ggplot(data, aes(x=Zn,y=Sr, color=Modell2a, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2a",values=c("cornsilk3","darkslategrey","slategray1","palegreen3","mediumpurple","palevioletred1","orange3"))+    xlab("Zn in ppm")+ylab("Sr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2a_SE_Y_V<-ggplot(data, aes(x=Y,y=V, color=Modell2a, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2a",values=c("cornsilk3","darkslategrey","slategray1","palegreen3","mediumpurple","palevioletred1","orange3"))+
  xlab("Y in ppm")+ylab("V in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Modell2a_SE_Zn_V<-ggplot(data, aes(x=Zn,y=V, color=Modell2a, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2a",values=c("cornsilk3","darkslategrey","slategray1","palegreen3","mediumpurple","palevioletred1","orange3"))+    xlab("Zn in ppm")+ylab("V in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2a_SE_Zn_Zr<-ggplot(data, aes(x=Zn,y=Zr, color=Modell2a, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2a",values=c("cornsilk3","darkslategrey","slategray1","palegreen3","mediumpurple","palevioletred1","orange3"))+    xlab("Zn in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2a_SE_Y_Zr<-ggplot(data, aes(x=Y,y=Zr, color=Modell2a, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2a",values=c("cornsilk3","darkslategrey","slategray1","palegreen3","mediumpurple","palevioletred1","orange3"))+    xlab("Y in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme 
ggarrange(Modell2a_SE_Rb_Sr,Modell2a_SE_Rb_Zr,Modell2a_SE_Sr_Zr,Modell2a_SE_Zn_Sr,Modell2a_SE_Zn_V,Modell2a_SE_Zn_Zr,Modell2a_SE_Y_Zr,ncol=3,nrow=3,align="hv",common.legend=TRUE)+theme(legend.position="bottom")

# Export des kombinierten Diagramms 
ggsave("Abb.6-162.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Herkunft//"),plot=last_plot(),device="eps",height=14,width=15.3,unit=c("cm"),dpi=1200)

28 Erstellen von Modell 2

28.1 Modell 2b

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Herkunft//Normabstand_SE_RHI_mitMesswerten_bearb.csv")

# Daten nach ausgewählter Spalte sortieren
data<-data[order(data$Modell2b),]

# Diagramme erstellen
Modell2b_SE_Rb_Sr<-ggplot(data, aes(x=Rb,y=Sr, color=Modell2b, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+ # Manuelle Definition von Größe und Form der Symbole
  scale_color_manual(name="Modell2b",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+ # Manuelle Definition der Farbe der Symbole
  xlab("Rb in ppm")+ylab("Sr in ppm")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung

Modell2b_SE_Rb_Zr<-ggplot(data, aes(x=Rb,y=Zr, color=Modell2b, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2b",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Rb in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2b_SE_Sr_Zr<-ggplot(data, aes(x=Sr,y=Zr, color=Modell2b, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2b",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Sr in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2b_SE_Zn_Sr<-ggplot(data, aes(x=Zn,y=Sr, color=Modell2b, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2b",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Zn in ppm")+ylab("Sr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2b_SE_Y_V<-ggplot(data, aes(x=Y,y=V, color=Modell2b, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2b",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+
  xlab("Y in ppm")+ylab("V in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Modell2b_SE_Zn_V<-ggplot(data, aes(x=Zn,y=V, color=Modell2b, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2b",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Zn in ppm")+ylab("V in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2b_SE_Zn_Zr<-ggplot(data, aes(x=Zn,y=Zr, color=Modell2b, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2b",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Zn in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2b_SE_Y_Zr<-ggplot(data, aes(x=Y,y=Zr, color=Modell2b, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2b",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Y in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme 
ggarrange(Modell2b_SE_Rb_Sr,Modell2b_SE_Rb_Zr,Modell2b_SE_Sr_Zr,Modell2b_SE_Zn_Sr,Modell2b_SE_Zn_V,Modell2b_SE_Zn_Zr,Modell2b_SE_Y_Zr,ncol=3,nrow=3,align="hv",common.legend=TRUE)+theme(legend.position="bottom")

28.2 Modell 2c

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Herkunft//Normabstand_SE_RHI_mitMesswerten_bearb.csv")

# Daten nach ausgewählter Spalte sortieren
data<-data[order(data$Modell2c),]

# Diagramme erstellen
Modell2c_SE_Rb_Sr<-ggplot(data, aes(x=Rb,y=Sr, color=Modell2c, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+ # Manuelle Definition von Größe und Form der Symbole
  scale_color_manual(name="Modell2c",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+ # Manuelle Definition der Farbe der Symbole
  xlab("Rb in ppm")+ylab("Sr in ppm")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung

Modell2c_SE_Rb_Zr<-ggplot(data, aes(x=Rb,y=Zr, color=Modell2c, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2c",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Rb in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2c_SE_Sr_Zr<-ggplot(data, aes(x=Sr,y=Zr, color=Modell2c, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2c",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Sr in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2c_SE_Zn_Sr<-ggplot(data, aes(x=Zn,y=Sr, color=Modell2c, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2c",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Zn in ppm")+ylab("Sr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2c_SE_Y_V<-ggplot(data, aes(x=Y,y=V, color=Modell2c, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2c",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+
  xlab("Y in ppm")+ylab("V in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Modell2c_SE_Zn_V<-ggplot(data, aes(x=Zn,y=V, color=Modell2c, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2c",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Zn in ppm")+ylab("V in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2c_SE_Zn_Zr<-ggplot(data, aes(x=Zn,y=Zr, color=Modell2c, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2c",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Zn in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2c_SE_Y_Zr<-ggplot(data, aes(x=Y,y=Zr, color=Modell2c, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2c",values=c("cornsilk3","darkslategrey","mediumpurple","palevioletred1","orange3"))+  
  xlab("Y in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme 
ggarrange(Modell2c_SE_Rb_Sr,Modell2c_SE_Rb_Zr,Modell2c_SE_Sr_Zr,Modell2c_SE_Zn_Sr,Modell2c_SE_Zn_V,Modell2c_SE_Zn_Zr,Modell2c_SE_Y_Zr,ncol=3,nrow=3,align="hv",common.legend=TRUE)+theme(legend.position="bottom")

28.3 Modell 2d

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Herkunft//Normabstand_SE_RHI_mitMesswerten_bearb.csv")

# Daten nach ausgewählter Spalte sortieren
data<-data[order(data$Modell2d),]

# Diagramme erstellen
Modell2d_SE_Rb_Sr<-ggplot(data, aes(x=Rb,y=Sr, color=Modell2d, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+ # Manuelle Definition von Größe und Form der Symbole
  scale_color_manual(name="Modell2d",values=c("cornsilk3","mediumpurple","maroon","palevioletred1","orange3"))+ # Manuelle Definition der Farbe der Symbole
  xlab("Rb in ppm")+ylab("Sr in ppm")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung

Modell2d_SE_Rb_Zr<-ggplot(data, aes(x=Rb,y=Zr, color=Modell2d, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2d",values=c("cornsilk3","mediumpurple","maroon","palevioletred1","orange3"))+  
  xlab("Rb in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2d_SE_Sr_Zr<-ggplot(data, aes(x=Sr,y=Zr, color=Modell2d, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2d",values=c("cornsilk3","mediumpurple","maroon","palevioletred1","orange3"))+  
  xlab("Sr in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2d_SE_Zn_Sr<-ggplot(data, aes(x=Zn,y=Sr, color=Modell2d, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2d",values=c("cornsilk3","mediumpurple","maroon","palevioletred1","orange3"))+  
  xlab("Zn in ppm")+ylab("Sr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2d_SE_Y_V<-ggplot(data, aes(x=Y,y=V, color=Modell2d, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2d",values=c("cornsilk3","mediumpurple","maroon","palevioletred1","orange3"))+
  xlab("Y in ppm")+ylab("V in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Modell2d_SE_Zn_V<-ggplot(data, aes(x=Zn,y=V, color=Modell2d, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2d",values=c("cornsilk3","mediumpurple","maroon","palevioletred1","orange3"))+  
  xlab("Zn in ppm")+ylab("V in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2d_SE_Zn_Zr<-ggplot(data, aes(x=Zn,y=Zr, color=Modell2d, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2d",values=c("cornsilk3","mediumpurple","maroon","palevioletred1","orange3"))+  
  xlab("Zn in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2d_SE_Y_Zr<-ggplot(data, aes(x=Y,y=Zr, color=Modell2d, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2d",values=c("cornsilk3","mediumpurple","maroon","palevioletred1","orange3"))+  
  xlab("Y in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme 
ggarrange(Modell2d_SE_Rb_Sr,Modell2d_SE_Rb_Zr,Modell2d_SE_Sr_Zr,Modell2d_SE_Zn_Sr,Modell2d_SE_Zn_V,Modell2d_SE_Zn_Zr,Modell2d_SE_Y_Zr,ncol=3,nrow=3,align="hv",common.legend=TRUE)+theme(legend.position="bottom")

28.4 Modell 2e

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Herkunft//Normabstand_SE_RHI_mitMesswerten_bearb.csv")

# Daten nach ausgewählter Spalte sortieren
data<-data[order(data$Modell2e),]

# Diagramme erstellen
Modell2e_SE_Rb_Sr<-ggplot(data, aes(x=Rb,y=Sr, color=Modell2e, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+ # Manuelle Definition von Größe und Form der Symbole
  scale_color_manual(name="Modell2e",values=c("cornsilk3","palevioletred1","orange3","tomato1"))+ # Manuelle Definition der Farbe der Symbole
  xlab("Rb in ppm")+ylab("Sr in ppm")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung

Modell2e_SE_Rb_Zr<-ggplot(data, aes(x=Rb,y=Zr, color=Modell2e, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2e",values=c("cornsilk3","palevioletred1","orange3","tomato1"))+  
  xlab("Rb in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2e_SE_Sr_Zr<-ggplot(data, aes(x=Sr,y=Zr, color=Modell2e, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2e",values=c("cornsilk3","palevioletred1","orange3","tomato1"))+  
  xlab("Sr in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2e_SE_Zn_Sr<-ggplot(data, aes(x=Zn,y=Sr, color=Modell2e, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2e",values=c("cornsilk3","palevioletred1","orange3","tomato1"))+  
  xlab("Zn in ppm")+ylab("Sr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2e_SE_Y_V<-ggplot(data, aes(x=Y,y=V, color=Modell2e, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2e",values=c("cornsilk3","palevioletred1","orange3","tomato1"))+
  xlab("Y in ppm")+ylab("V in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Modell2e_SE_Zn_V<-ggplot(data, aes(x=Zn,y=V, color=Modell2e, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2e",values=c("cornsilk3","palevioletred1","orange3","tomato1"))+  
  xlab("Zn in ppm")+ylab("V in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2e_SE_Zn_Zr<-ggplot(data, aes(x=Zn,y=Zr, color=Modell2e, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2e",values=c("cornsilk3","palevioletred1","orange3","tomato1"))+  
  xlab("Zn in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Modell2e_SE_Y_Zr<-ggplot(data, aes(x=Y,y=Zr, color=Modell2e, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Modell2e",values=c("cornsilk3","palevioletred1","orange3","tomato1"))+  
  xlab("Y in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme 
ggarrange(Modell2e_SE_Rb_Sr,Modell2e_SE_Rb_Zr,Modell2e_SE_Sr_Zr,Modell2e_SE_Zn_Sr,Modell2e_SE_Zn_V,Modell2e_SE_Zn_Zr,Modell2e_SE_Y_Zr,ncol=3,nrow=3,align="hv",common.legend=TRUE)+theme(legend.position="bottom")

29 Abb. 6-163

# Daten einlesen
data1<- read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage/Daten_RHI_vollständigMW.csv")
data<-filter(data1, Kultur!= "Huettenlehm")

# Daten nach ausgewählter Spalte sortieren
data<-data[order(data$Datierung),]

# Diagramme erstellen
Datierung_SE_Rb_Sr<-ggplot(data, aes(x=Rb,y=Sr, color=Datierung, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+ # Manuelle Definition von Größe und Form der Symbole
  scale_color_manual(name="Datierung",values=c("cornsilk3","maroon","orange3","grey50"))+ # Manuelle Definition der Farbe der Symbole
  xlab("Rb in ppm")+ylab("Sr in ppm")+ # Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung

Datierung_SE_Rb_Zr<-ggplot(data, aes(x=Rb,y=Zr, color=Datierung, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Datierung",values=c("cornsilk3","maroon","orange3","grey50"))+  
  xlab("Rb in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Datierung_SE_Sr_Zr<-ggplot(data, aes(x=Sr,y=Zr, color=Datierung, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Datierung",values=c("cornsilk3","maroon","orange3","grey50"))+  
  xlab("Sr in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Datierung_SE_Zn_Sr<-ggplot(data, aes(x=Zn,y=Sr, color=Datierung, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Datierung",values=c("cornsilk3","maroon","orange3","grey50"))+  
  xlab("Zn in ppm")+ylab("Sr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Datierung_SE_Y_V<-ggplot(data, aes(x=Y,y=V, color=Datierung, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Datierung",values=c("cornsilk3","maroon","orange3","grey50"))+
  xlab("Y in ppm")+ylab("V in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Datierung_SE_Zn_V<-ggplot(data, aes(x=Zn,y=V, color=Datierung, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Datierung",values=c("cornsilk3","maroon","orange3","grey50"))+  
  xlab("Zn in ppm")+ylab("V in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Datierung_SE_Zn_Zr<-ggplot(data, aes(x=Zn,y=Zr, color=Datierung, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Datierung",values=c("cornsilk3","maroon","orange3","grey50"))+  
  xlab("Zn in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Datierung_SE_Y_Zr<-ggplot(data, aes(x=Y,y=Zr, color=Datierung, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(17,19))+
  scale_color_manual(name="Datierung",values=c("cornsilk3","maroon","orange3","grey50"))+  
  xlab("Y in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme 
ggarrange(Datierung_SE_Rb_Sr,Datierung_SE_Rb_Zr,Datierung_SE_Sr_Zr,Datierung_SE_Zn_Sr,Datierung_SE_Zn_V,Datierung_SE_Zn_Zr,Datierung_SE_Y_Zr,ncol=3,nrow=3,align="hv",common.legend=TRUE)+theme(legend.position="bottom")

ggsave("Abb.6-163.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Herkunft//"),plot=last_plot(),device="eps",height=14,width=15.3,unit=c("cm"),dpi=1200)

30 Daten zusammenstellen

# Daten einlesen und filtern
data1<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen/Datengrundlage//Daten_RHI_vollständigMW.csv")
data2<-filter(data1, Kultur== "Huettenlehm")
data3<-data2[,c(1,3:23,27),]

# Spaltenweise Kombination von Dataframes und einfügen von Huettenlehm in Spalte Modell2 in alle 10 Zeilen
data4 <- cbind(data3, Modell2 = rep('Huettenlehm', 10))

# Daten einlesen und filtern
data5<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen/Datengrundlage//Daten_RHI_Ker_vollständigMW_chemGruppen.csv")
data6<-data5[,c(1:22,26,84),]

# Zeilenweise Kombination mehrerer Dataframes
data7<-rbind(data6,data4)

# Speichern als CSV
write.csv(data7,"../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage//Daten_RHI_Ker_HL_Messwerte_chemGruppen.csv",row.names=FALSE)

31 Abb. 6-164

In Spalte Kultur wurde die Kategorisierung Grube 1 ergänzt.

# Daten einlesen
data<-read.csv("../Daten//Kap_6//Kap_6.3//Grundlagen//Datengrundlage//Daten_RHI_Ker_HL_Messwerte_chemGruppen_bearb.csv")

# Daten nach ausgewählter Spalte sortieren
data$Modell2<-factor(data$Modell2,levels=c("Rezeptur 1","Rezeptur 2","Rezeptur 3","Rezeptur 4","Rezeptur 5","Rezeptur 6","Rezeptur 7","Huettenlehm"))

# Diagramme erstellen
Scatter_Rezeptur_Ton_Rb_Sr<-ggplot(data, aes(x=Rb,y=Sr, color=Modell2, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(15,0,17,19))+ # Manuelle Definition der Form der Symbole
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2","black"))+ # Manuelle Definition der Farbe der Symbole 
  xlab("Rb in ppm")+ylab("Sr in ppm")+# Manuelle Achsenbeschriftung
  theme_classic()+ # Klassisches Design
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black")) # Manuelle Formatierung von Achsen- und Legendendarstellung

Scatter_Rezeptur_Ton_Y_Zr<-ggplot(data, aes(x=Y,y=Zr, color=Modell2, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(15,0,17,19))+
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2","black"))+
  xlab("Y in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Scatter_Rezeptur_Ton_Zn_Zr<-ggplot(data, aes(x=Zn,y=Zr, color=Modell2, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(15,0,17,19))+
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2","black"))+ 
  xlab("Zn in ppm")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
 
Scatter_Rezeptur_Ton_CaO_Sr<-ggplot(data, aes(x=CaO,y=Sr, color=Modell2, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(15,0,17,19))+
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2","black"))+ 
  xlab("CaO in %")+ylab("Sr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Scatter_Rezeptur_Ton_Rb_K2O<-ggplot(data, aes(x=Rb,y=K2O, color=Modell2, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(15,0,17,19))+
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2","black"))+ 
  xlab("Rb in ppm")+ylab("K2O in %")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Scatter_Rezeptur_Ton_Al2O3_SiO2<-ggplot(data, aes(x=Al2O3,y=SiO2, color=Modell2, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(15,0,17,19))+
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2","black"))+ 
  xlab("Al2O3 in %")+ylab("SiO2 in %")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Scatter_Rezeptur_Ton_CaO_P2O5<-ggplot(data, aes(x=CaO,y=P2O5, color=Modell2, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(15,0,17,19))+
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2","black"))+ 
  xlab("CaO in %")+ylab("P2O5 in %")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Scatter_Rezeptur_Ton_CaO_Fe2O3<-ggplot(data, aes(x=CaO,y=Fe2O3, color=Modell2, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(15,0,17,19))+
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2","black"))+
  xlab("CaO in %")+ylab("Fe2O3 in %")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Scatter_Rezeptur_Ton_MnO_Fe2O3<-ggplot(data, aes(x=MnO,y=Fe2O3, color=Modell2, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(15,0,17,19))+
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2","black"))+ 
  xlab("MnO in %")+ ylab("Fe2O3 in %")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))
  
Scatter_Rezeptur_Ton_TiO2_K2O<-ggplot(data, aes(x=TiO2,y=K2O, color=Modell2, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(15,0,17,19))+
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2","black"))+ 
  xlab("TiO2 in %")+  ylab("K2O in %")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

Scatter_Rezeptur_Ton_TiO2_Zr<-ggplot(data, aes(x=TiO2,y=Zr, color=Modell2, shape=Kultur))+
  geom_point(aes(shape=Kultur),size=2)+scale_shape_manual(values=c(15,0,17,19))+
  scale_color_manual(name="Modell2",values=c("paleturquoise","slategrey","coral3","pink2","orchid2","steelblue2","lightgoldenrod2","black"))+ 
  xlab("TiO2 in %")+ylab("Zr in ppm")+
  theme_classic()+
  theme(axis.line=element_line(colour="black",size=0.25))+theme(legend.title=element_blank(),legend.text=element_text(size=8),axis.title=element_text(size=9),axis.text=element_text(size=8,color="black"))+theme(legend.position="bottom")+theme(axis.ticks=element_line(size=0.25,colour="black"))

# Kombination der Diagramme   
ggarrange(Scatter_Rezeptur_Ton_Al2O3_SiO2,Scatter_Rezeptur_Ton_CaO_P2O5,Scatter_Rezeptur_Ton_CaO_Fe2O3,Scatter_Rezeptur_Ton_MnO_Fe2O3,Scatter_Rezeptur_Ton_TiO2_K2O,Scatter_Rezeptur_Ton_CaO_Sr,Scatter_Rezeptur_Ton_Rb_K2O,Scatter_Rezeptur_Ton_TiO2_Zr,Scatter_Rezeptur_Ton_Rb_Sr,Scatter_Rezeptur_Ton_Y_Zr,Scatter_Rezeptur_Ton_Zn_Zr,ncol=3,nrow=4,align = "hv",common.legend=TRUE)+theme(legend.position="bottom")

# Export des kombinierten Diagramms
ggsave("Abb.6-164.eps",path=("../Daten//Kap_6//Kap_6.3//Abbildungen//Grundlagen//"),plot=last_plot(),device="eps",height=18,width=15.3,unit=c("cm"),dpi=1200)

32 Literatur

Allaire u. a. 2024: J. J. Allaire/C. Teague/C. Scheidegger/Y. Xie/C. Dervieux, Quarto v.1.5.55. https://quarto.org.

Barrett u. a. 2024: T. Barrett/M. Dowle/A. Srinivasan/J. Gorecki/M. Chirico/T. Hocking, data.table: Extension of ‘data.frame‘: R package version 1.15.4. https://cran.r-project.org/package=data.table.

Field, A. u. a. 2013: A. Field/J. Miles/Z. Field, Discovering Statistics using R (Los Angeles 2013).

Kassambara 2023a: A. Kassambara, ggpubr: ’ggplot2’ Based Publication Ready Plots: R package version 0.6.0. https://cran.r-project.org/package=ggpubr.

Kassambara 2023b: A. Kassambara, rstatix: Pipe-Friendly Framework for Basic Statistical Tests: R package version 0.7.2. https://cran.r-project.org/package=rstatix.

Komsta/Novomestky 2022: L. Komsta/F. Novomestky, moments: Moments, Cumulants, Skewness, Kurtosis and Related Tests: R package version 0.14.1. https://cran.r-project.org/package=moments.

R Core Team 2024: R Core Team, R v.4.4.1: A Language and Environment for Statistical Computing: Race for Your Life. https://www.r-project.org/.

RStudio Team 2024: RStudio Team, RStudio v. 2024.04.2: Integrated Development Environment for R. https://www.rstudio.com/.

Schauer 2025: M. Schauer, La Hoguette – Kultur, Phänomen, Subkultur? Archäologische Studien und portable, energiedispersive Röntgenfluoreszenzanalysen (p-ED-RFA) an Keramik zu einer altbekannten Frage 183. Philippika 183 (Wiesbaden 2025).

Siegmund 2020: F. Siegmund, Statistik in der Archäologie: eine anwendungsorientierte Einführung auf Basis freier Software (Norderstedt 2020). https://frank-siegmund.de/images/opendata/2020-archaeostatistik/siegmund_2020_daten.zip.

Siegmund 2023: F. Siegmund, Einführung Quarto. https://www.frank-siegmund.de/images/opendata/einfuehrungquarto.zip.

Wickham 2011: H. Wickham, The Split-Apply-Combine Strategy for Data Analysis. Journal of Statistical Software, 40/1, 2011, 1–29. https://www.jstatsoft.org/v40/i01/.

Wickham 2016: H. Wickham, ggplot2: Elegant graphics for data analysis. Use R! ²(Cham 2016). https://ebookcentral.proquest.com/lib/kxp/detail.action?docid=4546676.

Wickham u. a. 2019: H. Wickham/M. Averick/J. Bryan/W. Chang/L. D’Agostino McGowan/R. François/G. Grolemund/A. Hayes/L. Henry/J. Henster/M. Kuhn/T. L. Pedersen/E. Miller/S. M. Bache/K. Müller/J. Ooms/D. Robinson/D. P. Seidel/V. Spinu/K. Takahashi/D. Vaughan/C. Wilke/K. Woo/H. Yutani, Welcome to the tidyverse. Journal of Open Source Software, 43/4, 2019, 1686. DOI: https://doi.org/10.21105/joss.01686.

Wickham 2023: H. Wickham, stringr: Simple, Consistent Wrappers for Common String Operations: R package version 1.5.1. https://cran.r-project.org/package=stringr.

Yuan Tang/Wenxuan 2016: M. H. Yuan Tang/L. Wenxuan, ggfortify: Unified Interface to Visualize Statistical Result of Popular R Packages. The R Journal, 8/2, 2016, 478–489. https://cran.r-project.org/package=ggfortify.