Funktionshilfe und Dokumentation

Wenn du nicht weißt, wie du eine Funktion verwendest oder welche Argumente sie erwartet, wohin wendest du dich? Zum Glück hat R eine integrierte Dokumentation. Um dir zum Beispiel Hilfe zur Funktion names() anzusehen, kannst du eines der folgenden eingeben:

?names

?names()

help(names)

All diese Varianten machen dasselbe: Sie bringen dich direkt zur Hilfeseite von names()!

In der DataCamp-Konsole wirst du dazu auf die RDocumentation-Website weitergeleitet, aber die Informationen sind dieselben!

Unten erkundest du die Dokumentation für ein paar weitere Funktionen.

Diese Übung ist Teil des Kurses

R für Finanzen – Aufbaukurs

Anleitung zur Übung

Verwende ?, um dir die Dokumentation zu subset() anzusehen.
Verwende ?, um dir die Dokumentation zu Sys.time() anzusehen.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Look at the documentation for subset
___

# Look at the documentation for Sys.time
___

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

R für Finanzen – Aufbaukurs

Geringe SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Willkommen! Bevor wir tiefer in die Welt von R einsteigen, ist es hilfreich zu verstehen, wie Datums- und Zeitangaben erstellt werden. In diesem Kapitel lernst du genug, um mit Datumsangaben zu arbeiten – wir kratzen dabei aber nur an der Oberfläche dessen, was möglich ist.

Exercise 1: Einführung in Datumsangaben in R Exercise 2: Welcher Tag ist heute?Exercise 3: Von char zu date Exercise 4: Viele Datumswerte Exercise 5: Datumsformate und Extractor-Funktionen Exercise 6: Datumsformate (1)Exercise 7: Datumsformate (2)Exercise 8: Subtraktion von Datumswerten Exercise 9: months() und weekdays() und quarters(), oh je!

Stell dir vor, du besitzt Aktien eines Unternehmens. Wenn der Kurs über einen bestimmten Preis steigt, möchtest du vielleicht verkaufen. Fällt der Kurs unter einen bestimmten Preis, willst du vielleicht günstig kaufen! Solches Denken lässt sich mit Operatoren und if-Anweisungen umsetzen. In diesem Kapitel lernst du alles darüber und erstellst ein Programm, das dir sagt, ob du eine Aktie kaufen oder verkaufen sollst.

Exercise 1: Relationale Operatoren Exercise 2: Übung zu Relationen Exercise 3: Vektorisierte Operationen Exercise 4: Logische Operatoren Exercise 5: And / Or Exercise 6: Nicht!Exercise 7: Logicals und subset()Exercise 8: Jetzt alles zusammen!Exercise 9: If-Statements Exercise 10: If this Exercise 11: If dies, Else das Exercise 12: If dies, Else If das, Else jenes Exercise 13: Kannst du ein If in ein If setzen?Exercise 14: ifelse()

Schleifen sind hilfreich, wenn du dieselbe Operation auf jedes Element einer Datenstruktur anwenden willst. In diesem Kapitel lernst du alles über repeat-, while- und for-Schleifen!

Exercise 1: repeat-Schleifen Exercise 2: Repeat, repeat, repeat Exercise 3: Wann abbrechen?Exercise 4: While-Schleifen Exercise 5: while mit einem print Exercise 6: While mit einem Plot Exercise 7: Break it Exercise 8: For-Schleifen Exercise 9: Über einen Vektor iterieren Exercise 10: Über Datenrahmen-Zeilen iterieren Exercise 11: Über Matrix-Elemente iterieren Exercise 12: break und next

Wenn Datenstrukturen wie Data Frames und Vektoren deine Daten halten, dann sind Funktionen das Mittel, mit dem du R sagst, was mit den Daten geschehen soll. In diesem Kapitel lernst du die Nutzung eingebauter Funktionen, wie du eigene Funktionen erstellst, und bekommst zum Abschluss eine kurze Einführung in Packages.

Exercise 1: Was sind Funktionen?Exercise 2: Funktionshilfe und Dokumentation

Aktuelle Übung

Exercise 3: Optionale Argumente Exercise 4: Funktionen in Funktionen Exercise 5: Funktionen schreiben Exercise 6: Deine erste Funktion Exercise 7: Mehrere Argumente (1)Exercise 8: Mehrere Argumente (2)Exercise 9: Funktions-Scope (1)Exercise 10: Gültigkeitsbereich von Funktionen (2)Exercise 11: Pakete Exercise 12: Paket tidyquant

Eine beliebte Alternative zu Schleifen in R sind die apply-Funktionen. Sie sind oft besser lesbar als Schleifen und extrem nützlich, um Data-Science-Workflows zu skalieren und komplexe Berechnungen für beliebig viele Beobachtungen durchzuführen. Lerne sie hier kennen!

Exercise 1: Warum apply verwenden?Exercise 2: lapply() auf einer Liste Exercise 3: lapply() auf einem Data Frame Exercise 4: FUN-Argumente Exercise 5: sapply() – vereinfache es!Exercise 6: sapply() vs. lapply()Exercise 7: Vereinfachen fehlgeschlagen Exercise 8: vapply() – gib deinen Output vor!Exercise 9: vapply() vs. sapply()Exercise 10: Mehr vapply()Exercise 11: Anonyme Funktionen Exercise 12: Glückwunsch