En este capítulo, repasarás los pipelines de dplyr y mejorarás tu selección de columnas con funciones de ayuda y expresiones regulares.

Sé productivo con dplyr

select() vs. filter()

Una gran selección

Mutación necesaria

Echando una mano con los helpers

No me hagas empezar

A ver cómo termina eso

Encontrar nuestra pareja perfecta

Amor con-tain-ido

Buscando coincidencias

Haz que tus líderes elegidos rindan cuentas

Aquí aprenderás a mover columnas en tus datos y a aplicar la misma transformación a varias columnas a la vez. También elegirás filas que cumplan cualquiera o todos los criterios de las columnas.

Ofreciendo asistencia para reubicar columnas

Mover con select() y everything()

Reorganizar con select() y last_col()

Cambiando posiciones con relocate()

Eso se ha pasado de la raya

Mutate en varias columnas

Resume varias variables a la vez

Combinando count() con across()

Cruce de animales: los nuevos rowwise

across() vs. c_across()

Agregaciones con rowwise()

Uno para cualquiera, uno para todos

Que no paren esos dogies

En esta sección, repasarás los joins de dplyr. Luego irás un paso más allá usando cláusulas de teoría de conjuntos para examinar solapamientos y diferencias entre conjuntos de datos.

Únete para divertirte

Únete conmigo

Investigaciones adicionales

Las líneas que se cruzan no son paralelas

Options

intersect()

inner_join()

Intersect vs. inner join

A toda velocidad por la intersección

Presenta el estado de la unión

Guarda la unión

Apúntate a tu sindicato local, al completo

Un poco excesivo con EXCEPT

Comprobar si los conjuntos son iguales

Comprobar diferencias

Teoría de conjuntos con Claus y el Polo Norte

En esta parte final del curso, usarás operadores de rlang para convertir argumentos en variables y crear funciones que integren código de dplyr y ggplot2.

¿Cuál es tu malfunción principal?

Tasas de desempleo por región

Tasas medias de desempleo por grupo

¡Bang-bang!

Emparejando operadores de rlang

¡Bang bang! Entra en la sala

Rlang-eando desde tu mecedora

You are the walrus

Analiza los resultados por región

Un gran giro con ggplot

Trazar y planear

El título de la gráfica se complica

¡Enhorabuena!

Hablando un nuevo rlang-uaje

International Monetary Fund (IMF)

World Bank

El tidyverse incluye un conjunto impresionante de paquetes que hacen que trabajar con datos sea sencillo y rápido. Pero ¿alguna vez has intentado meter funciones de dplyr dentro de otras funciones y te has topado con errores extraños o resultados inesperados? Esos errores probablemente se debían a la tidy evaluation, que requiere un poco de trabajo extra para gestionarla. En Programación con dplyr, aprenderás estrategias para resolver estos errores con el paquete rlang. También verás otras técnicas para programar con dplyr usando datos del Banco Mundial y el Fondo Monetario Internacional para analizar tendencias globales a lo largo del curso. ¡Al finalizar, serás todo un ninja escribiendo funciones del tidyverse!

Joining Data with dplyr

Introduction to Writing Functions in R

Aprende a realizar transformaciones avanzadas con dplyr e incorporar dplyr y ggplot2 en funciones.

Programación con dplyr

Aprende a realizar transformaciones avanzadas con dplyr e incorporar código dplyr y ggplot2 en funciones.

Solo funciona si los nombres de las columnas son iguales en los dos tibbles.

Para dos tibbles `df1` y `df2` con los mismos nombres de columna, esto siempre devuelve todas las filas en común entre `df1` y `df2`.

Funciona incluso si los dos argumentos tienen diferente número de columnas.

Para dos tibbles `df1` y `df2`, esto devuelve todas las filas con valores de clave coincidentes entre `df1` y `df2`.

Intersect vs. inner join

Programación con dplyr

Ejercicio interactivo práctico