Lerne Verben kennen, mit denen du deine Daten umwandeln kannst, darunter „select“, „filter“, „arrange“ und „mutate“. Du wirst diese Funktionen nutzen, um den Datensatz der Bezirke anzupassen, bestimmte Beobachtungen anzusehen und Fragen zu den Daten zu beantworten.

Daten mit dplyr erkunden

Deine Daten verstehen

Spalten auswählen

Die Verben „filter“ und „arrange“

Beobachtungen organisieren

Nach Bedingungen filtern

Filtern und Anordnen

Das Verb „mutate“

Die Anzahl der Beamten berechnen

Berechnung des Frauenanteils in einem Bezirk

Mutate, filter und arrange

Daten mit dplyr umwandeln

Jetzt, wo du weißt, wie du deine Daten umwandeln kannst, willst du bestimmt mehr darüber erfahren, wie du deine Daten zusammenfassen kannst, damit sie besser zu verstehen sind. Du lernst eine Reihe von Funktionen kennen, mit denen du viele Beobachtungen in deinen Daten machen und zusammenfassen kannst, darunter count, group_by, summarize, ungroup und slice_min/slice_max.

Das Verb count

Nach Region zählen

Die Einwohner nach Bundesstaaten zählen

Mutieren und zählen

Die Verben „group_by“, „summarize“ und „ungroup“

Zusammenfassen

Nach Bundesstaaten zusammenfassen

Nach Bundesstaat und Region zusammenfassen

Die Verben slice_min und slice_max

Einen Bezirk aus jeder Region auswählen

Den Staat mit dem niedrigsten Einkommen in jeder Region finden

summarize, slice_max und count verwenden

Daten aggregieren

Erlerne fortgeschrittene Methoden zum Auswählen und Umwandeln von Spalten. Finde außerdem heraus, was hinter den Hilfsfunktionen steckt, die Kriterien für die Spalten festlegen, die du auswählen möchtest. Auch auf das Verb „rename“ werden wir näher eingehen.

Auswählen

Hilfsfunktionen

Das Verb „rename“

Eine Spalte nach dem Zählen umbenennen

Eine Spalte als Teil von select umbenennen

Das Verb „relocate“

relocate verwenden

Zwischen den vier Verben wählen

Daten auswählen und umwandeln

Arbeite mit einem neuen Datensatz, der die Namen von Babys enthält, die jedes Jahr in den USA geboren werden. Lerne, wie du gruppierte Mutationen und Fensterfunktionen nutzen kannst, um komplexere Fragen zu deinen Daten zu stellen und zu beantworten. Nutze außerdem eine Kombination aus dplyr und ggplot2, um interessante Diagramme zu erstellen und dir deine Daten noch genauer anzuschauen.

Die Daten zu Babynamen

Nach einem Jahr filtern und sortieren

Die beliebtesten Namen jedes Jahres finden

Visualisierung der Namen mit ggplot2

Gruppierte Mutationen

Das Jahr mit dem häufigsten Vorkommen finden

Die Summe und das Maximum für jeden Namen hinzufügen

Visualisierung der normalisierten Veränderung der Beliebtheit

Fensterfunktionen

Verwendung von Verhältnissen zur Beschreibung der Häufigkeit eines Namens

Die größten Sprünge in der Namensverwendung

Herzlichen Glückwunsch!

Fallstudie: Der Babynamen-Datensatz

2015 US Census

US Baby Name Records

Angenommen, du hast einen tollen Datensatz gefunden und möchtest mehr über ihn herausfinden. Wie kannst du anfangen, deine Fragen zu den Daten zu beantworten? Du kannst dplyr nutzen, um diese Fragen zu beantworten – es kann dir auch bei einfachen Transformationen deiner Daten helfen. Du lernst auch, wie du deine Daten zusammenfassen und Variablen hinzufügen, entfernen oder ändern kannst. Unterwegs schaust du dir einen Datensatz an, der Infos über die Bezirke in den USA enthält. Du beendest den Kurs, indem du diese Tools auf den Datensatz mit Babynamen anwendest, um Trends bei Babynamen in den Vereinigten Staaten zu untersuchen.

Angenommen, du hast einen tollen Datensatz gefunden und würdest gerne mehr darüber erfahren. Wie kannst du anfangen, die Fragen zu beantworten, die du zu den Daten hast? Verwende dplyr, um diese Fragen zu beantworten.<br><br><h2>Erste Schritte: Daten mit dplyr transformieren</h2>
In diesem Kurs lernst du, wie du mit dem dplyr-Paket in R Daten effizient manipulieren und umwandeln kannst.<br><br>Erforsche zunächst die grundlegenden Datenumwandlungstechniken, einschließlich der Verwendung der wichtigsten dplyr-Verben wie select, filter, arrange und mutate. Mit diesen Funktionen lernst du, wie du Datensätze ändern kannst, indem du bestimmte Spalten auswählst, Zeilen anhand von Bedingungen filterst, Daten sortierst und neue berechnete Spalten erstellst​.<br><br>
<h2>Aggregieren von Daten mit dplyr</h2>Als Nächstes behandelt der Kurs die Datenaggregation, bei der du lernst, wie du Daten zur besseren Interpretation zusammenfassen und verdichten kannst.<br><br> Du wirst verstehen, wie du deine Daten besser interpretieren und verwalten kannst​. Funktionen wie count, group_by und summarize werden vorgestellt, um Operationen durchzuführen, die viele Beobachtungen zu aussagekräftigen Zusammenfassungen aggregieren, die für die Datenanalyse und die Berichterstattung wichtig sind.<br><br><h2>Auswahl und Umwandlung von Daten</h2>Schließlich lernst du fortgeschrittene Techniken zur Datenauswahl und -umwandlung kennen, z. B. die Verwendung von Auswahlhilfen und das Verb umbenennen. Du wirst deine Fähigkeiten auch auf eine reale Fallstudie anwenden und gruppierte Mutationen, Fensterfunktionen und Datenvisualisierung mit ggplot2 üben.<br><br>Am Ende des Kurses wirst du robuste Fähigkeiten zur Datenmanipulation mit dplyr entwickelt haben, die eine effizientere und effektivere Datenanalyse ermöglichen-eine wichtige Fähigkeit für jeden Datenanalysten oder Wissenschaftler.

Introduction to the Tidyverse

Lernen Sie, wie Sie dplyr zur Datenverarbeitung nutzen und wenden Sie es auf eine Fallstudie an.

Datenbearbeitung mit dplyr 

Vertiefe deine Tidyverse-Kenntnisse und lerne, wie du Daten mit dplyr transformierst und bearbeitest.

Associate Data Scientist in R

Datenanalyst  in R

Datenbearbeitung  in R

R Entwickler

Deine Daten verstehen

Datenbearbeitung mit dplyr

Interaktive Übung