Dans ce chapitre, vous ferez le tour des facteurs. Vous verrez la différence entre les variables catégorielles et ordinales, comment R les représente, et comment les examiner pour trouver le nombre et les noms des modalités. Enfin, vous découvrirez comment forcats, un module du tidyverse, peut améliorer vos graphiques en vous permettant de réorganiser rapidement des variables selon leur fréquence.

Introduction aux variables qualitatives

Reconnaître les variables de type factor

Variables qualitatives en théorie

Comprendre vos variables qualitatives

Obtenir le nombre de niveaux

Examiner le nombre de niveaux

Examiner les niveaux

Améliorer vos graphiques

Réordonner une variable selon sa fréquence

Ordonner une variable en fonction d'une autre

Introduction aux variables de type facteur

Vous poursuivrez l'exploration de forcats en apprenant à changer l'ordre et les noms des modalités, et même à regrouper certaines d'entre elles.

Réorganiser les facteurs

Modifier l'ordre des niveaux d'un facteur

Astuces pour fct_relevel()

Renommer les modalités d'un facteur

Distinguer les fonctions de forcats

Renommer quelques niveaux

Quand vous faites une faute de frappe

Regrouper des niveaux de facteur

Regrouper manuellement des niveaux

Regrouper des variables par proportion

Préserver les modalités les plus courantes

Manipulation des variables de type facteur

Après avoir bien saisi forcats, vous élargirez au reste du tidyverse en apprenant et en révisant des fonctions de dplyr, tidyr et stringr. Vous peaufinerez des graphiques avec ggplot2 en passant des axes à des échelles en pourcentage, en ajustant la mise en page du texte, et plus encore.

Examiner les variables de thème courantes

Regrouper et remodeler des colonnes similaires

Résumer des données

Créer un graphique initial

Astuces avec ggplot2

Modifier le texte du graphique

Réordonner des graphiques

Modifier et créer des variables avec case_when()

case_when() avec une seule variable

case_when() à partir de plusieurs colonnes

Création de variables de type facteur

Dans ce dernier chapitre, vous mettrez en pratique tout ce que vous avez appris dans une étude de cas. Vous approfondirez le travail avec les chaînes de caractères et le sommaire des données, puis vous reproduirez un graphique 538 de qualité publication.

Introduction à l'étude de cas

Convertir des caractères en facteurs

Mettre les données en ordre

Préparation des données et expressions rationnelles

Nettoyer des chaînes de caractères

Dichotomiser des variables

Reproduire le graphique

Créer un premier graphique

Corriger les étiquettes

Inverser l'affichage

Finaliser le graphique

Récapitulatif de fin de cours

Étude de cas sur l'étiquette en avion

538 Flying Etiquette survey

Kaggle multiple choice responses

En tant que scientifique des données, vous travaillerez souvent avec des données non numériques, comme des titres de poste, des réponses à des sondages ou des renseignements démographiques. R propose une structure particulière pour les représenter, appelée facteurs, et ce cours vous apprendra à les maîtriser avec le sous-ensemble du tidyverse nommé forcats. Nous utiliserons aussi d'autres modules du tidyverse, dont ggplot2, dplyr, stringr et tidyr, ainsi que des jeux de données réels, comme l'ensemble de vols de fivethirtyeight et le State of Data Science and ML Survey de Kaggle. À la fin du cours, vous serez en mesure d'identifier et de manipuler des variables de type facteur, de visualiser vos données rapidement et efficacement, et de communiquer clairement vos résultats. Prêt à catégoriser?

Reshaping Data with tidyr

Préparez-vous à catégoriser! Ce cours utilise Tidyverse pour traiter des données non numériques.

Données catégorielles dans le tidyverse

Fondamentaux de Tidyverse en R

Data Scientist

Préparation des données et regex

Gérer les noms longs

Regex

Passons à la pratique !

Étude de cas sur l'étiquette en avion - Préparation des données et expressions rationnelles

Préparation des données et expressions rationnelles

Create Your Free Account