13  Tabellenexport

Eure Zeit ist zu wertvoll, um Tabellen per Hand zu erstellen!

Diese Pakete werden gebraucht, alle sind mit dem entsprechenden install.packages("") installierbar:

library(dplyr) # für die Datenvorbereitung
library(modelsummary) # Tabellen vorbereiten
library(skimr) # Tabellen vorbereiten
library(janitor) # kreuztabellen
library(flextable) # Formatierung der Tabelle für Word
library(officer) # eigentlicher Word-Export

Zu diesen Variablen sollen folgende deskriptiven Übersichtstabellen erstellt und als Word-Dokument exportiert werden:

var	.
az	Arbeitszeit aus der umfangreichsten Tätigkeit
S1	Geschlecht
F518_SUF	Wie hoch ist Ihr monatlicher Bruttoverdienst aus Ihrer Tätigkeit?
m1202	Höchster Ausbildungsabschluss

Wir starten mit einem Ausschnitt der ETB 2018:

etb18_kap14 <- haven::read_dta("./data/BIBBBAuA_2018_suf1.0.dta",col_select = c("F518_SUF","az","S1","m1202")) %>% 
  mutate(across(matches("F518|m1202"),~ifelse(.x<0 | .x >= 99998, NA, .x))) %>% 
  na.omit() # alle Zeilen mit (mind.) 1 NA löschen

13.1 {flextable}

Mit dem Paket {flextable} können wir data.frames als Tabelle in eine Word-Datei exportieren, {officer} erweiteret diese Funktionen speziell für den Export in Word:

install.packages("flextable")
library(flextable)
install.packages("officer")
library(officer)

df1 <- data.frame(x1= c(2,2), y1 = c(0,1))
df1

  x1 y1
1  2  0
2  2  1

{flextable} stellt uns eine Reihe an Funktionen zur Formatierung zur Verfügung, um die Darstellung des data.frame zu anzupassen:

flextable(df1) %>% 
  border_remove() %>% 
  hline_top(border = fp_border(color = "orange")) %>%
  hline(i=1,border = fp_border(color = "blue",style = "dotted")) %>% 
  set_header_labels(x1 = "Anderes Label") %>% 
  add_header_row(values = c("Überschrift",""),colwidths = c(1,1)) %>% 
  autofit()

Überschrift
Anderes Label	y1
2	0
2	1

Hier finden sich weitere Infos zu flextable, u.a. können bspw. die Trennlinien dünner gemacht werden oder eine andere Farbe angegeben werden. Hier finden sich alle vefügbaren Funktionen.

13.2 Deskription

13.2.1 Verteilungstabellen für metrische Variablen

Für die metrischen Merkmale kennen wir ja das summary():

summary(etb18_kap14$F518_SUF)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
      1    2000    3000    3533    4200   72000 

summary(etb18_kap14$az)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  10.00   32.00   40.00   38.25   45.00  120.00 

Eine einfach Möglichkeit, diese summary() untereinander anzuordnen, ist summarise in Kombination mit pivot_longer() zu verwenden:

etb18_kap14 %>% 
  select(az,F518_SUF) %>% 
  pivot_longer(cols = everything(), names_to = "variable") %>% 
  group_by(variable) %>% 
  summarise(min = min(value,na.rm = T),
            mean = mean(value,na.rm = T),
            max = max(value,na.rm = T))

# A tibble: 2 × 4
  variable   min   mean   max
  <chr>    <dbl>  <dbl> <dbl>
1 F518_SUF     1 3533.  72000
2 az          10   38.3   120

etb18_kap14 %>% 
  select(az,F518_SUF) %>% 
  pivot_longer(cols = everything(), names_to = "variable") %>% 
  group_by(variable) %>% 
  summarise(Min  = min(value,na.rm = T),
            Mean = mean(value,na.rm = T),
            Max  = mean(value,na.rm = T)) %>% 
  flextable()

variable	Min	Mean	Max
F518_SUF	1	3,533.10329	3,533.10329
az	10	38.25101	38.25101

met_ft <- 
  etb18_kap14 %>% 
  select(az,F518_SUF) %>% 
  pivot_longer(cols = everything(), names_to = "variable") %>% 
  group_by(variable) %>% 
  summarise(Min  = min(value,na.rm = T),
            Mean = mean(value,na.rm = T),
            Max  = mean(value,na.rm = T)) %>% 
  flextable() %>% 
  autofit()

Der eigentliche Export ist dann mit save_as_docx, wo wir eine Überschrift und mit path die Zieldatei angeben können:

save_as_docx("Metrische unab. Variablen" = met_ft, path = "./results/Met_UVs_Tabelle.docx")

Aussagekräftigere Variablenbeschriftung mit rename() & Nachkommastellen

Um den Variablen in der Tabelle aussagekräftigere Namen zu geben, benennen wir sie einfach mit rename() um. Falls wir mehr als ein Wort als Variablenname/späteres Label vergeben wollen, setzen wir die Wörter in '``'.

Mit digits = in colformat_double() können wir die Anzahl der Nachkommastellen setzen:

  etb18_kap14 %>% 
  select(`Arbeitszeit umfangreichste Tätigkeit` =az,Bruttoverdienst=F518_SUF) %>% 
  pivot_longer(cols = everything(), names_to = "variable") %>% 
  group_by(variable) %>% 
  summarise(Min  = min(value,na.rm = T),
            Mean = mean(value,na.rm = T),
            Max  = mean(value,na.rm = T)) %>% 
  flextable() %>% 
  colformat_double(digits = 2) %>% 
  autofit()

variable	Min	Mean	Max
Arbeitszeit umfangreichste Tätigkeit	10.00	38.25	38.25
Bruttoverdienst	1.00	3,533.10	3,533.10

13.2.2 Häufigkeitsauszählungen

etb18_kap14 %>%  
  select(S1,m1202) %>% 
  mutate(S1 = factor(S1,levels = 1:2, labels = c("Männer","Frauen")),
           m1202 = factor(m1202, levels = 1:4,labels = c("ohne","dual/schul.","Aufst.","FH/Uni"))) %>% 
  pivot_longer(everything(),names_to = "variable") %>% 
  count(variable,value)

# A tibble: 6 × 3
  variable value           n
  <chr>    <fct>       <int>
1 S1       Männer       8486
2 S1       Frauen       8127
3 m1202    ohne          899
4 m1202    dual/schul.  7723
5 m1202    Aufst.       1469
6 m1202    FH/Uni       6522

etb18_kap14 %>%  
  select(S1,m1202) %>% 
  mutate(S1 = factor(S1,levels = 1:2, labels = c("Männer","Frauen")),
           m1202 = factor(m1202, levels = 1:4,labels = c("ohne","dual/schul.","Aufst.","FH/Uni"))) %>% 
  pivot_longer(everything(),names_to = "variable") %>% 
  count(variable,value) %>% 
  flextable()

variable	value	n
S1	Männer	8,486
S1	Frauen	8,127
m1202	ohne	899
m1202	dual/schul.	7,723
m1202	Aufst.	1,469
m1202	FH/Uni	6,522

kat_ft <- 
  etb18_kap14 %>%  
    select(S1,m1202) %>% 
    mutate(S1 = factor(S1,levels = 1:2, labels = c("Männer","Frauen")),
           m1202 = factor(m1202, levels = 1:4,labels = c("ohne","dual/schul.","Aufst.","FH/Uni"))) %>% 
    pivot_longer(everything(),names_to = "variable") %>% 
    count(variable,value)  %>% 
  flextable()

Für den Export können wir dann wieder save_as_docx() verwenden:

save_as_docx("Kategoriale unab. Variablen" = kat_ft, path = "./results/Kat_UVs_Tabelle.docx")

13.2.3 Übung

13.3 Regressionstabellen

Für Regressionstabellen können wir mit {modelsummary} eine {flextable}-Tabelle erstellen:

etb18_kap14_reg_df <- 
  etb18_kap14 %>%
  mutate(S1 = factor(S1,levels = 1:2, labels = c("Männer","Frauen")),
         m1202 = factor(m1202, levels = 1:4,labels = c("ohne","dual/schul.","Aufst.","FH/Uni")))

m1 <- lm(F518_SUF ~ az + S1, data = etb18_kap14_reg_df)
m2 <- lm(F518_SUF ~ az + S1 + m1202, data = etb18_kap14_reg_df)
modelsummary(list("Modell 1"=m1,"Modell 2"=m2),
                                output = "flextable",gof_omit = "IC|Log|RMS",
                           coef_rename = c("(Intercept)"="Intercept",
                                           "S1Frauen" = "Frauen",
                                           "m1202dual/schul." = "Duale/Schulische Ausbildung",
                                           "m1202Aufst." = "Aufstiegsfortbildung",
                                           "m1202FH/Uni" = "FH/Uni-Abschluss"),
                           stars = T,fmt =2)

	Modell 1	Modell 2
Intercept	362.15***	-385.14**
	(106.17)	(140.07)
az	91.65***	83.39***
	(2.36)	(2.31)
Frauen	-684.47***	-725.04***
	(54.93)	(53.38)
Duale/Schulische Ausbildung		395.98***
		(113.49)
Aufstiegsfortbildung		910.33***
		(136.63)
FH/Uni-Abschluss		2085.47***
		(114.96)
Num.Obs.	16613	16613
R2	0.121	0.174
R2 Adj.	0.121	0.174
F	1139.534	702.027
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

13.3.1 Referenzkategorien einfügen

Um die Referenzkategorie für kategoriale Variablen kenntlich zu machen, können wir den Hinweis ref. mitaufanzeigen.

Dazu können wir mit Hilfe des Arguments add_rows eine zusätzliche Zeile für die Referenzkategorie der Variable S1 einfügen. Zunächst erstellen wir einen data.frame, welcher neben den Modellnamen die Koeffizientennamen sowie die einzufügenden Werte enthält. Mit tribble aus dem Paket tibble lässt sich das einfach bewerkstelligen: wir können die Zeilen und Spalten gleich so aufschreiben, wie wir sie haben möchten:

library(tibble)
ref_rows <- tribble( ~ term,    ~ "Modell 1",  ~ "Modell 2",
                     "Männer",    'ref.',   'ref.')
attr(ref_rows, 'position') <- 5 # Zeile angeben 

modelsummary(
  list("Modell 1" = m1, "Modell 2" = m2),
  output = "flextable",
  gof_omit = "IC|Log|RMS",
  coef_rename = c(
    "(Intercept)" = "Intercept",
    "S1Frauen" = "Frauen",
    "m1202dual/schul." = "Duale/Schulische Ausbildung",
    "m1202Aufst." = "Aufstiegsfortbildung",
    "m1202FH/Uni" = "FH/Uni-Abschluss"
  ),
  add_rows = ref_rows,
  stars = T,
  fmt = 2
) %>% autofit()

	Modell 1	Modell 2
Intercept	362.15***	-385.14**
	(106.17)	(140.07)
az	91.65***	83.39***
	(2.36)	(2.31)
Männer	ref.	ref.
Frauen	-684.47***	-725.04***
	(54.93)	(53.38)
Duale/Schulische Ausbildung		395.98***
		(113.49)
Aufstiegsfortbildung		910.33***
		(136.63)
FH/Uni-Abschluss		2085.47***
		(114.96)
Num.Obs.	16613	16613
R2	0.121	0.174
R2 Adj.	0.121	0.174
F	1139.534	702.027
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

Das funktioniert auch für mehrere Referenzkategorien:

ref_rows2 <- tribble(~term,    ~"Modell 1",  ~"Modell 2",
                "Männer",    'ref.',   'ref.',
                "keine Ausbildung",    '',   'ref.',
                )
attr(ref_rows2, 'position') <- c(5,8) # Zeile angeben 

modelsummary(
  list("Modell 1" = m1, "Modell 2" = m2),
  output = "flextable",
  gof_omit = "IC|Log|RMS",
  coef_rename = c(
    "(Intercept)" = "Intercept",
    "S1Frauen" = "Frauen",
    "m1202dual/schul." = "Duale/Schulische Ausbildung",
    "m1202Aufst." = "Aufstiegsfortbildung",
    "m1202FH/Uni" = "FH/Uni-Abschluss"
  ),
  add_rows = ref_rows2,
  stars = T,
  fmt = 2
)

	Modell 1	Modell 2
Intercept	362.15***	-385.14**
	(106.17)	(140.07)
az	91.65***	83.39***
	(2.36)	(2.31)
Männer	ref.	ref.
Frauen	-684.47***	-725.04***
	(54.93)	(53.38)
keine Ausbildung		ref.
Duale/Schulische Ausbildung		395.98***
		(113.49)
Aufstiegsfortbildung		910.33***
		(136.63)
FH/Uni-Abschluss		2085.47***
		(114.96)
Num.Obs.	16613	16613
R2	0.121	0.174
R2 Adj.	0.121	0.174
F	1139.534	702.027
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

Tipparbeit beim Umbenennen sparen mit coef_rename =

Mit Hilfe der Option coef_rename = und einer function() können wir die Variablenumbenennung auch automatisieren. Mehr dazu hier Dazu erstellen wir eine Funktion erstellen, welche bspw. mit gsub() Variablennamen durch die gewünschte Beschriftung ersetzt:

rename_function <- function(old_names) {
  new_names <- 
    gsub("m1202", "Ausbildung: ", old_names) %>% 
    gsub("S1", "Geschlecht: ",.) %>% 
    gsub("az", "Arbeitszeit (h) ",.)
  
  return(setNames(new_names, old_names))
}

## diese Funktion dann in modelsummary verwenden:
modelsummary(list("Modell 1" = m1, "Modell 2" = m2),
             output = "flextable",gof_omit = "IC|Log|RMS", 
             coef_rename = rename_function) # function anwenden

	Modell 1	Modell 2
(Intercept)	362.146	-385.135
	(106.167)	(140.070)
Arbeitszeit (h)	91.652	83.387
	(2.364)	(2.312)
Geschlecht: Frauen	-684.473	-725.039
	(54.926)	(53.379)
Ausbildung: dual/schul.		395.981
		(113.488)
Ausbildung: Aufst.		910.327
		(136.635)
Ausbildung: FH/Uni		2085.465
		(114.957)
Num.Obs.	16613	16613
R2	0.121	0.174
R2 Adj.	0.121	0.174
F	1139.534	702.027

Auf den mit {modelsummary} erstellten flextable können wir natürlich auch alle Funktionen für flextable anwenden und dann mit save_as_docx() die Tabelle exportieren:

regtab2 <- 
  modelsummary(
  list("Modell 1" = m1, "Modell 2" = m2),
  output = "flextable",
  gof_omit = "IC|Log|RMS",
  coef_rename = c(
    "(Intercept)" = "Intercept",
    "S1Frauen" = "Frauen",
    "m1202dual/schul." = "Duale/Schulische Ausbildung",
    "m1202Aufst." = "Aufstiegsfortbildung",
    "m1202FH/Uni" = "FH/Uni-Abschluss"
  ),
  add_rows = ref_rows2,
  stars = T,
  fmt = 2) %>% 
  autofit() %>% 
  italic(i = ~ `Modell 2` == "ref.",j =2:3)

save_as_docx(regtab2,path = "./results/regressionstabelle.docx")

13.4 Alle Tabellen in eine Datei mit {officer}

Um die Tabellen in Dokument gemeinsames Dokument zu exportieren, ist das Paket officer eine große Hilfe. Mehr Infos hier.

library(officer)

Zunnächst lesen wir mit read_docx() eine Vorlage ein, welche Einstellungen für das Word-Dokument enthält (Seitenformat,..) und fügen dann mit body_add_flextable() die Tabellen ein. Mit body_add_par(.,"") können wir leere Absätze einfügen.

read_docx("pfad/zur/Vorlage/DIN_A4_Vorlage.docx") %>%
   body_add_flextable(., value = met_ft ) %>% # flextable met_ft einfügen
   body_add_par(.,"") %>% # leeren Absatz einfügen
   body_add_flextable(., value = kat_ft ) %>% # flextable cat_ft einfügen
   body_add_par(.,"") %>% # leeren Absatz einfügen
   body_add_flextable(., value = regtab2 ) %>% # flextable regtab2 einfügen
   print(target = "./results/Tables.docx")

13.5 Übung

13.5.1 Übung

etb_ue14 <- 
  haven::read_dta("./data/BIBBBAuA_2018_suf1.0.dta",col_select = c("gkpol","az","zpalter","m1202"))%>% 
  filter(zpalter < 100, m1202 > 0) %>% 
  mutate(gkpol = factor(gkpol,levels = 1:7, labels = c("<2k", "2k bis <5k", "5k bis <20k", "20k bis <50k", "50k bis <100k", 
                                                         "100k bis <500k", "500k und mehr")),
           m1202 = factor(m1202, levels = 1:4,labels = c("ohne","dual/schul.","Aufst.","FH/Uni"))) 

• Erstellen Sie eine Übersicht für die Variablen zpalter (Alter) und az (Arbeitszeit) und exportieren Sie diese in eine Word-Datei. Verwenden Sie den obigen Einlesebefehl - dann sind die Missings bereits ausgeschlossen,
  • Erstellen Sie zunächst einen data.frame mit min, mean und max der beiden Variablen.
  • Formatieren Sie diesen data.frame dann als flextable
  • Speichern Sie diesen mit save_as_docx()
• Erstellen Sie eine Übersichtstabelle zu gkpol (Größe der Wohngemeinde) und m1202 (Ausbildung).
  • Die Labels sind bereits im obigen Einlesebefehl gesetzt.

13.5.2 Übung

• Erstellen sie folgende Regressionsmodelle und erstellen Sie mit {modelsummary} eine Regressiontabelle:

m1 <- lm(az ~ m1202 , etb_ue14)
m2 <- lm(az ~ m1202 + zpalter, etb_ue14)

13.6 Latex

{kableExtra} ist mein Favorit für Tabellen in pdf Outputs.

13.6.1 Verteilungstabellen für metrische Variablen

library(kableExtra)

met_kbl <- 
  etb18_kap14 %>% 
  select(az,F518_SUF) %>% 
  pivot_longer(cols = everything(), names_to = "variable") %>% 
  group_by(variable) %>% 
  summarise(Min  = min(value,na.rm = T),
            Mean = mean(value,na.rm = T),
            Max  = mean(value,na.rm = T)) %>% 
  kbl(., booktabs = T, format = 'latex') %>% #  ab hier spezifisch für latex
  kable_styling(latex_options = "striped")

write(met_kbl,file = "./results/desc1.tex")

13.6.2 Häufigkeitsauszählungen

kat_kbl <- 
  etb18_kap14 %>%  
    select(S1,m1202) %>% 
    mutate(S1 = factor(S1,levels = 1:2, labels = c("Männer","Frauen")),
           m1202 = factor(m1202, levels = 1:4,labels = c("ohne","dual/schul.","Aufst.","FH/Uni"))) %>% 
    pivot_longer(everything(),names_to = "variable") %>% 
    count(variable,value)  %>% 
  kbl(., booktabs = T, format = 'latex') %>%  # ab hier latex-syntax
  kable_styling(latex_options = "striped", stripe_index = c(1,2))

write(kat_kbl,file = "./results/crosstab1.tex")

13.6.3 Regressionstabelle mit {modelsummary}

  m1 <- lm(F518_SUF ~ az + S1, data = etb18_kap14_reg_df)
  m2 <- lm(F518_SUF ~ az + S1 + m1202, data = etb18_kap14_reg_df)
  
  ref_rows2 <- tribble(~term,    ~"Modell 1",  ~"Modell 2",
                  "Männer",    'ref.',   'ref.',
                  "keine Ausbildung",    '',   'ref.',
                  )
  attr(ref_rows2, 'position') <- c(5,8) # Zeile angeben 
  
  modelsummary(
    list("Modell 1" = m1, "Modell 2" = m2),
    gof_omit = "IC|Log|RMS",
    coef_rename = c(
      "(Intercept)" = "Intercept",
      "S1Frauen" = "Frauen",
      "m1202dual/schul." = "Duale/Schulische Ausbildung",
      "m1202Aufst." = "Aufstiegsfortbildung",
      "m1202FH/Uni" = "FH/Uni-Abschluss"
    ),
    add_rows = ref_rows2,
    stars = T,
    fmt = 2,
    output = "./results/modelsummary.tex" ## Latex-Output
  )

13.7 Anhang

13.7.1 Kreuztabellen

	Geschlecht
Ausbildung	Männer	Frauen	Total
ohne	500	399	899
dual/schul.	3,716	4,007	7,723
Aufst.	912	557	1,469
FH/Uni	3,358	3,164	6,522
Total	8,486	8,127	16,613

Hier ist die Herausforderung, einen data.frame() für {flextable} vorzubereiten: xtabs() gibt keinen data.frame aus und meistens ist der long shape Output von count() auch nicht das was wir wollen:

tab1 <- xtabs(~S1+m1202,etb18_kap14)
class(tab1)

[1] "xtabs" "table"

etb18_kap14 %>% 
  mutate(S1 = factor(S1,levels = 1:2, labels = c("Männer","Frauen"))) %>% # zahlenwerte in S1 mit labels überschreiben 
  mutate(m1202 = factor(m1202, levels = 1:4,labels = c("ohne","dual/schul.","Aufst.","FH/Uni"))) %>% # auch für m1202
  count(S1,m1202) %>% 
  flextable()

S1	m1202	n
Männer	ohne	500
Männer	dual/schul.	3,716
Männer	Aufst.	912
Männer	FH/Uni	3,358
Frauen	ohne	399
Frauen	dual/schul.	4,007
Frauen	Aufst.	557
Frauen	FH/Uni	3,164

tabyl() aus {janitor} hilft hier weiter:

library(janitor)
etb18_kap14 %>% 
  mutate(S1 = factor(S1,levels = 1:2, labels = c("Männer","Frauen"))) %>% # zahlenwerte in S1 mit labels überschreiben 
  mutate(m1202 = factor(m1202, levels = 1:4,labels = c("ohne","dual/schul.","Aufst.","FH/Uni"))) %>% # auch für m1202
  tabyl(m1202,S1) %>%
    adorn_totals(where = c("row","col")) 

       m1202 Männer Frauen Total
        ohne    500    399   899
 dual/schul.   3716   4007  7723
      Aufst.    912    557  1469
      FH/Uni   3358   3164  6522
       Total   8486   8127 16613

Tip

Übrigens: Mit adorn_percentages() können wir bspw. statt absoluten Häufigkeiten die prozentualen Anteile ausgeben lassen. Weitere adorn_...() Funktionen in der Vignette.

etb18_kap14 %>% 
  mutate(S1 = factor(S1,levels = 1:2, labels = c("Männer","Frauen"))) %>% # zahlenwerte in S1 mit labels überschreiben 
  mutate(m1202 = factor(m1202, levels = 1:4,labels = c("ohne","dual/schul.","Aufst.","FH/Uni"))) %>% # auch für m1202
  tabyl(m1202,S1) %>%
    adorn_totals(where = c("row","col"))  %>%
  flextable() %>%
  border_remove() %>% # linien raus
  hline(i=4) %>% # in zeile 4 eine Linie einfügen
  hline_top() %>% # linie oben
  set_header_labels(m1202 = "Ausbildung") %>%  # kopf-label links
  add_header_row(values = c("","Geschlecht",""),colwidths = c(1,2,1)) # label oben

	Geschlecht
Ausbildung	Männer	Frauen	Total
ohne	500	399	899
dual/schul.	3,716	4,007	7,723
Aufst.	912	557	1,469
FH/Uni	3,358	3,164	6,522
Total	8,486	8,127	16,613

cross_tab <- 
  etb18_kap14 %>% 
    mutate(S1 = factor(S1,levels = 1:2, labels = c("Männer","Frauen"))) %>% # zahlenwerte in S1 mit labels überschreiben 
    mutate(m1202 = factor(m1202, levels = 1:4,labels = c("ohne","dual/schul.","Aufst.","FH/Uni"))) %>% # auch für m1202
    tabyl(m1202,S1) %>%
      adorn_totals(where = c("row","col"))  %>%
    flextable() %>%
    border_remove() %>% # linien raus
    hline(i=4) %>% # in zeile 4 eine Linie einfügen
    hline_top() %>% # linie oben
    set_header_labels(m1202 = "Ausbildung") %>%  # kopf-label links
    add_header_row(values = c("","Geschlecht",""),colwidths = c(1,2,1)) # label oben

save_as_docx("Kreuztabelle" = cross_tab, path = "./results/Kreuztabelle.docx")

13.7.2 Layout-Tipps für Tabellen

Hier finden sich einige Hinweise von Claus Wilke für ein gelungenes Tabellen-Layout:

• Do not use vertical lines.
• Do not use horizontal lines between data rows. Horizontal lines as separator between the title row and the first data row or as frame for the entire table are fine.
• Text columns should be left aligned.
• Number columns should be right aligned and should use the same number of decimal digits throughout.
• Columns containing single characters are centered.
• The header fields are aligned with their data, i.e., the heading for a text column will be left aligned and the heading for a number column will be right aligned.

13.7.3 weitere Pakete

Neben {flextable} gibt es noch eine ganze Reihe an weiteren Paketen - allerdings sind zielen diese vor allem auf pdf und HTML-Formate. Hier findet sich eine gelungene Übersicht. Hier eine Übersicht mit meiner persönlichen Einschätzung¹

Code

# create table-table with gt
pkg_tabl <- 
list(
  printer = c("gt", "flextable", "kableExtra"),
  output = c("HTML", "PDF", "Word")
) %>%
  purrr::cross_df() %>%
  dplyr::mutate(
    rating = dplyr::case_when(
      printer == "gt" & output == "HTML" ~ 1, # good output
      printer == "gt" & output %in% c("Word") ~ 5, # under construction
      printer == "gt" & output %in% c("PDF") ~ 3, # under construction
      
      
      printer == "flextable" & output == "Word" ~ 1, # bester
      printer == "flextable" & output %in% c("HTML","PDF") ~ 2, # okay
      
      printer == "kableExtra" & output %in% c("PDF", "HTML") ~ 1, # good output
      printer == "kableExtra" & output %in% c("Word") ~ 4, # not supported
      
      
    ) %>%
      factor()
  ) %>%
  tidyr::pivot_wider(id_cols = printer, names_from = output, values_from = rating) %>%
  dplyr::mutate(
    link = dplyr::case_when(
      printer == "gt" ~ 
        "[gt](https://gt.rstudio.com/index.html)",
      printer == "kable" ~ 
        "[kable](https://bookdown.org/yihui/rmarkdown-cookbook/kable.html)",
      printer == "flextable" ~
        "[flextable](https://davidgohel.github.io/flextable/articles/overview.html)",
      printer == "kableExtra" ~ 
        "[kableExtra](http://haozhu233.github.io/kableExtra/)",
      printer == "huxtable" ~
        "[huxtable](https://hughjonesd.github.io/huxtable/)",
      printer == "tibble" ~ 
        "[tibble](https://tibble.tidyverse.org/)"
    )
  ) %>%
  gt() %>%
  cols_move_to_start(columns = c(link)) %>%
  cols_hide(columns = c(printer)) %>%
  cols_label(link = md("**Paket**"), 
             
             HTML = md("**HTML**"), PDF = md("**PDF**"), 
             Word = md("**Word**")) %>%
  fmt_markdown(columns = c(link)) %>%
  fmt_markdown(columns = everything()) %>%
  data_color(
    columns = c(HTML, PDF, Word),
    colors = scales::col_factor(
      palette = c("#bae1ff", "#ffb3ba", "#ffdfba", "#ffffba", "#baffc9"),
      domain = NULL,
      reverse = TRUE
    ),
    alpha = 0.8
  ) %>%
  cols_width(c(HTML, PDF, Word) ~ px(60),
             c(link) ~ px(110),
             c(link) ~ px(140))
  
# Emoji library: https://gist.github.com/rxaviers/7360908

pkg_tabl %>% 
  text_transform(
    locations = cells_body(columns = c(HTML, PDF,  Word)),
    fn = function(x) {
      dplyr::case_when(
          x == 1 ~ as.character(emo::ji("star")),
          x == 2 ~ as.character(emo::ji("heavy_check_mark")),
          x == 3 ~ as.character(emo::ji("grey_question")),
          x == 4 ~ as.character(emo::ji("o2")),
          x == 5 ~ as.character(emo::ji("wrench")),
          TRUE   ~ as.character(emo::ji("o2"))
      )
    }
  )

Paket	HTML	PDF	Word
gt	⭐	❔	🔧
flextable	✔️	✔️	⭐
kableExtra	⭐	⭐	🅾️

• {kableExtra} - mein Favorit für Tabellen in html und pdf Outputs.

• {gt} Großes Projekt mit sehr vielen Möglichkeiten, Tabellen auch interaktiv zu gestalten - daher vor allem für HTML-Outputs geeignet.

• {gtsummary} - {gt} speziell für Deskriptionen eines Treatment/Control Vergleich, hier eine aktuelle Einführung

Oh my goodness, oh my goodness, oh my goodness!🎆

{gt}📦v0.7.0 is on CRAN and includes support for WORD OUTPUT---WORD! 🕺🪩🕺

Thank you @riannone & @ellis_hughes ❤️#RStats https://t.co/t2gKOfni1O pic.twitter.com/dxM5NwU09v

— Daniel Sjoberg (@statistishdan) August 26, 2022

Weitere Tabellenpakete:

• {huxtable}

• {DT}

• {reactable}

---

1. Adaptiert von D Sjoberg