Co je to predikát?

Predikátová funkce je "funkce, která vrací buď TRUE, nebo FALSE." Zatímco predikátový funkcionál "přijme vektor a predikátovou funkci a provede s nimi něco užitečného."^***

Jinak řečeno, predikátové funkcionály přijmou .x – tedy vektor, datový rámec nebo seznam – a otestují predikát na každém prvku .x. Například můžeš zkontrolovat, jestli je každý prvek numerický, pomocí predikátu is.numeric() ze základního R, nebo jestli je průměr některých prvků menší než 5, pomocí mapperu: ~mean(.x) < 5.

Která z těchto funkcí NENÍ predikát?

Toto cvičení je součástí kurzu

Intermediate Functional Programming with purrr

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Intermediate Functional Programming with purrr

SkillTag.level.intermediateSkillTag.label

4.8+

Začněte kurz zdarma

Zní ti lambda funkce, mappery a predikáty trochu záhadně? Žádná panika! Po rychlém osvěžení základů purrr se ponoříme do funkcionálního programování, objevíme anonymní funkce a predikáty a ukážeme si, jak je využít k čištění a průzkumu dat.

Exercise 1: purrr základy – rychlé zopakování Exercise 2: Osvěžení paměti: purrr Exercise 3: Další opakování purrr Exercise 4: Úvod do mapperů Exercise 5: Vytváření lambda funkcí Exercise 6: Lambda funkce Exercise 7: Čištění dat pomocí mapperů Exercise 8: Vyčisti svá data pomocí keep Exercise 9: Rozdělení pomocí keep() a discard()Exercise 10: Predikáty Exercise 11: Co je to predikát?

Aktuální cvičení

Exercise 12: Průzkum dat pomocí predikátů

Připrav se na hlubší ponor do funkcionálního programování s purrr! V této kapitole si přiblížíme samotný koncept funkcionálního programování, prozkoumáme ošetřování chyb pomocí `safely()` a `possibly()` a představíme funkci `compact()`, která pomáhá psát přehlednější kód.

Exercise 1: Funkcionální programování v R Exercise 2: Vše, co se děje, je volání funkce Exercise 3: Rozpoznávání čistých funkcí Exercise 4: Nástroje pro funkcionální programování v purrr Exercise 5: Bezpečné iterace Exercise 6: Vytvoř funkci Exercise 7: Použití possibly()Exercise 8: Verze read_lines() s possibly()Exercise 9: Vše v jednom volání Exercise 10: Práce s výsledky adverbií Exercise 11: Purrrfecting our function Exercise 12: Extrakce stavových kódů pomocí GET()

V této kapitole využijeme purrr k psaní kódu, který je přehlednější, čistší a snáze udržovatelný. Naučíme se tvořit čisté funkce pomocí `compose()` a `negate()`. Ukážeme si také, jak pomocí `partial()` skládat funkce „předvyplněním" argumentů z existujících funkcí. Na závěr si představíme sloupcové seznamy (list-columns) – praktickou datovou strukturu, která pomáhá psát čistý kód v prostředí Tidyverse.

Exercise 1: Proč psát čistší kód?Exercise 2: Jak psát compose()Exercise 3: Zpět do práce Exercise 4: Tvorba funkcí pomocí compose() a negate()Exercise 5: Sestav funkci Exercise 6: Počítání NA hodnot Exercise 7: Předvyplňování funkcí Exercise 8: Extraktor obsahu Exercise 9: Další extraktor Exercise 10: Sloupcové seznamy Exercise 11: O list-columns Exercise 12: Vytvoř datový rámec s list-column

Vše, co víme o purrr, shrneme v případové studii. Pomocí purrr budeme analyzovat data získaná ze sítě Twitter, přehledně je uspořádáme a identifikujeme influencery z konference RStudio 2018.

Exercise 1: Prozkoumání datasetu Exercise 2: Hraní s tweety, round 1 Exercise 3: Identifikace profilů Exercise 4: Extrakce informací z datasetu Exercise 5: Počítáme oblíbené Exercise 6: Extrakce zmínek Exercise 7: Manipulace s URL adresami Exercise 8: Analýza URL Exercise 9: Práce s URL adresami Exercise 10: Identifikace influencerů Exercise 11: Rozdělení datasetu Exercise 12: Máme vítěze!Exercise 13: Gratulujeme!