In diesem Kapitel frischt du dplyr-Pipelines auf und verbesserst deine Spaltenauswahl mit Helper-Funktionen und regulären Ausdrücken.

Sei fruchtbar und dplyr

select() vs. filter()

Eine starke Auswahl

Mutation erforderlich

Hilfsfunktionen zur Seite stellen

Fang mich bloß nicht an

Schau dir an, wie das endete

Finde unser perfektes Match

Contain-ted love

Auf der Suche nach Treffern

Halte deine ausgewählten Führungskräfte zur Verantwortung

Hier lernst du, Spalten in deinen Daten zu verschieben und dieselbe Transformation auf mehrere Datenspalten anzuwenden. Außerdem wählst du Zeilen aus, die irgendein oder alle Spaltenkriterien erfüllen.

Umzugsunterstützung bereitstellen

Verschieben mit select() und everything()

Umordnen mit select() und last_col()

Positionen mit relocate() verschieben

Das hat eine Grenze überschritten

Über mehrere Spalten mutieren

Über mehrere Variablen zusammenfassen

count() mit across() kombinieren

Animal Crossing: neue rowwise-Funktionen

across() vs. c_across()

Aggregationen mit rowwise()

Einer für irgend, einer für alle

Treibe die Herde weiter

In diesem Abschnitt wiederholst du dplyr-Joins. Danach gehst du einen Schritt weiter und nutzt Klauseln der Mengenlehre, um Überschneidungen und Unterschiede zwischen Datensätzen zu untersuchen.

Gemeinsam joinen – macht Spaß

Join mit mir

Weitere Untersuchungen

Sich schneidende Linien sind ohne Parallele

intersect vs. inner join

Mit Tempo durch die Schnittmenge

Den Stand der Union liefern

Die Vereinigung sichern

Melde dich bei deiner lokalen Union an – alle

Ein bisschen zu ausnehmend

Auf Gleichheit von Mengen prüfen

Auf Unterschiede prüfen

Mengenlehre-Claus und der Nordpol

Im letzten Kursteil verwendest du rlang-Operatoren, um Argumente in Variablen zu verwandeln und Funktionen zu erstellen, die dplyr- und ggplot2-Code enthalten.

Was ist deine größte Fehl-Funktion?

Arbeitslosenquoten nach Region

Median-Arbeitslosenquoten nach Gruppe

Bang-bang!!

rlang-Operatoren zuordnen

Bang bang in den Raum

Mit rlang im Schaukelstuhl

You are the walrus

Analysiere die Ergebnisse nach Region

Ein großartiger ggplot‑Twist

Plotten und planen

Der Plot-Titel verdichtet sich

Glückwunsch!

Eine neue rlang-Sprache sprechen

International Monetary Fund (IMF)

World Bank

Das tidyverse bietet eine fantastische Sammlung von Paketen, mit denen du Daten einfach und schnell verarbeiten kannst. Aber hast du schon mal versucht, dplyr-Funktionen in eigene Funktionen zu packen und bist auf seltsame Fehler oder unerwartete Ergebnisse gestoßen? Diese Fehler hängen oft mit Tidy Evaluation zusammen, für die es etwas Extra-Aufwand braucht. In „Programmieren mit dplyr“ lernst du Strategien, um diese Fehler mit dem Paket rlang zu lösen. Außerdem erfährst du weitere Techniken für das Programmieren mit dplyr und analysierst dabei mit Daten der Weltbank und des Internationalen Währungsfonds weltweite Trends. Am Ende des Kurses bist du eine echte tidyverse-Funktionsschreib-Ninja!

Joining Data with dplyr

Introduction to Writing Functions in R

Lernen Sie, erweiterte dplyr-Transformationen durchzuführen und dplyr- und ggplot2-Code in Funktionen zu nutzen.

Programmieren mit dplyr

Hier lernst du, wie du fortgeschrittene dplyr-Transformationen vornimmst und dplyr- und ggplot2-Code in Funktionen einbaust.

select() vs. filter()

Programmieren mit dplyr

Interaktive Übung