Add comments

global.R

@@ -5,12 +5,14 @@ library(leaflet)
 library(sf)
 library(htmltools)
 library(dplyr)
+library(tidyr)
 library(purrr)
 library(ggplot2)
 library(ggthemes)
 library(stringr)
 library(plotly)
-# Json of Crime Reports
+
+#große JSON Datei lesen
 crime_json <- fromJSON(file="data.json")
 get_bezirk_by_stadtteil <- function(name) {
   parents <- names(crime_json)[sapply(crime_json, function(item) name %in% names(item))]
@@ -19,6 +21,10 @@ get_bezirk_by_stadtteil <- function(name) {
   parents
 }
 
+#Wichtige Informationen aus passender Ebene/Row von der JSON Datei holen, um sie für das tibble zu nutzen
+#trimws steht für trim whitespace, sorgt für sauberen string beim Jahr
+#map_df steht für map dataframe
+#aufgekärte Fälle sind auch im tibble drin, hätten wir also bei mehr Zeit oder für ,ehr Funktionen auch direkt nutzen können
 map_data_to_table <- function(bezirk, stadtteil, year) {
   year <- as.character(trimws(year))
   map_df(names(crime_json[[bezirk]][[stadtteil]]), function(crime) {
@@ -33,6 +39,10 @@ map_data_to_table <- function(bezirk, stadtteil, year) {
   })
 }
 
+#Vorbereitung für Balkendiagram top3 Straftaten
+#Sortieren und Beschränken auf die Ränge 2, 3 und 4
+#Sortieren: Absteigend nach "Erfasste Fälle". Der höchste Wert ist nun in Zeile 1.
+#mit slice sind explizit die Ränge 2, 3 und 4 gemeint
 map_data_to_top3_plot <- function(bezirk, stadtteil, year) {
   year <- as.character(trimws(year))
   req(bezirk)
@@ -45,17 +55,17 @@ map_data_to_top3_plot <- function(bezirk, stadtteil, year) {
       Erfasst = as.integer(row[["Erfasste Fälle"]]),
     )
   })
-  # Sortieren und Beschränken auf die Ränge 2, 3 und 4
   top_3_tibble <- komplettes_tibble %>%
-    # Sortieren: Absteigend nach "Erfasste Fälle". Der höchste Wert ist nun in Zeile 1.
     arrange(desc(Erfasst)) %>% 
-    # Beschränken: Wählt die Zeilen 2, 3 und 4 aus.
-    # Dies sind die Ränge 2, 3 und 4.
     slice(2:4)
-  
   return(top_3_tibble)
 }
 
+#Vorbereitung für Balkendiagramm auf Vergleichs-tab
+#Location beinhaltet Stadtteile und Bezirke, um alle Auswahlmöglichkeiten in einem drop down zu haben
+#die App weiß, wann es sich um einen Bezirk handelt, wenn die ersten 7 Stellen mit dem Wort "Bezirk" übereinstimmen?
+#Erfasste Fälle als Zahl (integer) angeben, die Straftaten (crimes) mit Zeilenumbruch bei bestimmter Breite angeben
+#Sortierung nach Anzhal der erfassten Fälle absteigend
 map_data_to_plot <- function(locations, crimes, year) {
   year <- as.character(trimws(year))
   req(locations)
@@ -87,6 +97,9 @@ map_data_to_plot <- function(locations, crimes, year) {
   )
 }
 
+#lass mal hier statt delikt crime nehmen oder eben die anderen crimes delikt, oder gibt es einen Grund dass es anders heißt/auf deutsch ist?
+#Mit dieser Funktion entnehmen wir die gewünschten Einträge, Straftat, Jahr, Erfasste Fälle direkt aus der JSON Datei und erhalten so unseren dataframe, den wir wofür nutzen können?
+#sicherer Zugriff (verhindert Fehler bei fehlenden Einträgen)
 get_intensity_df <- function(crime_json, delikt, jahr = "2024", feld = "Erfasste Fälle") {
   do.call(rbind, lapply(names(crime_json), function(bezirk) {
     stadtteile <- crime_json[[bezirk]]
@@ -95,7 +108,7 @@ get_intensity_df <- function(crime_json, delikt, jahr = "2024", feld = "Erfasste
       stadtteil = names(stadtteile),
       intensity = sapply(stadtteile, function(st) {
         
-        # sicherer Zugriff (verhindert Fehler bei fehlenden Einträgen)
+        
         val <- st[[delikt]][[jahr]][[feld]]
         
         if (is.null(val)) NA else val
@@ -105,12 +118,14 @@ get_intensity_df <- function(crime_json, delikt, jahr = "2024", feld = "Erfasste
   }))
 }
 
-#GeoJson for Bezirke
+#GeoJson für Bezirke
+#st_transform sorgt für die Umwandlung der Geo-Daten in das Standard-Koordinatensystem WGS 84, csr bedeutet Koordinatenreferenzsystem 
+#mit paste("bez_") bilden wir die jeweiligen Präfixe für Stadtteil und Bezirk, damit aufgrund dieses Merkmals die app die beiden Typen voneinander unterscheiden kann
 geo_bezirke <- st_read("geobezirke-parsed.json")
 geo_bezirke <- st_transform(geo_bezirke, crs = 4326)
 geo_bezirke$leaflet_id <- paste("bez_", geo_bezirke$bezirk, sep="")
 
-#GeoJson for Stadtteile
+#GeoJson für Stadtteile
 geo_stadtteile <- st_read("geostadtteile-parsed.json")
 geo_stadtteile <- st_transform(geo_stadtteile, crs = 4326)
 geo_stadtteile$leaflet_id <- paste("std_", geo_stadtteile$stadtteil, sep="")
@@ -128,14 +143,16 @@ list_of_crimes <- sort(c(unique(unlist(
   use.names = FALSE
 )), ""))
 
+
+#map(names) wendet names() auf jedes Element der ersten Ebene, wie Bezirke ("A", "B", "C") an.
+#Ergebnis: Eine Liste von Vektoren (z.B. list(c("aa1", "aa2"), c("bb1", "bb2"), c("cc1"))), hier: Stadtteile
+#unlist() vereint alle diese Vektoren zu einem einzigen Vektor.
+#Ergebnis: c("aa1", "aa2", "bb1", "bb2", "cc1")
+#unique(): auf Nummer sicher gehen, dass die Stadtteile alle eindeutig sind.
 auswahlmöglichkeiten <- crime_json %>%
-  # 1. map(names) wendet names() auf jedes Element der ersten Ebene, wie Bezirke ("A", "B", "C") an.
-  #    Ergebnis: Eine Liste von Vektoren (z.B. list(c("aa1", "aa2"), c("bb1", "bb2"), c("cc1"))), hier: Stadtteile
+
   map(names) %>%
-  # 2. unlist() vereint alle diese Vektoren zu einem einzigen Vektor.
-  #    Ergebnis: c("aa1", "aa2", "bb1", "bb2", "cc1")
   unlist() %>%
-  # 3. unique(): auf Nummer sicher gehen, dass die Stadtteile alle eindeutig sind.
   unique() %>%
   sort() %>%
   setdiff("Alle")