Jouer avec des tweets, ronde 1

Vous vous souvenez que, dans les chapitres précédents, vous travailliez comme analyste de données pour une agence Web? Eh bien, vous avez très bien réussi et on vous confie maintenant un autre projet ;) Dans ce chapitre, vous allez analyser un nouveau type de données : une sortie JSON.

L'équipe d'ingénierie vous a remis le résultat d'une collecte de données contenant des tweets rassemblés pendant RStudio Conf 2018. Comme cet ensemble de données est en JSON, vous l'avez lu dans R sous forme de liste imbriquée.

Pour commencer, vous souhaitez faire une exploration de base de cet ensemble de données, et purrr va vous être très utile. Le paquet a été chargé pour vous, et l'ensemble de données rstudioconf est disponible dans votre espace de travail.

Remarque : n'essayez pas d'imprimer l'ensemble du jeu de données — il est trop volumineux pour s'afficher dans la console de DataCamp.

Sachez qu'il s'agit de données réelles provenant de Twitter et qu'il existe donc un risque qu'elles contiennent des propos grossiers ou d'autres contenus offensants (dans cet exercice et dans tout exercice suivant utilisant aussi de vraies données Twitter).

Cette activité fait partie du cours

Programmation fonctionnelle intermédiaire avec purrr

Instructions de l’exercice

Affichez le premier élément de la liste pour avoir un aperçu du contenu et de la structure.
Comme vous souhaitez vous concentrer sur les tweets originaux (et non les retweets), créez une sous-liste de non-retweets à l'aide de l'élément logique "is_retweet" présent dans chaque sous-liste.
Extrayez l'élément "favorite_count" de chacun des éléments de cette nouvelle sous-liste à l'aide de la variante map_* pour les entiers.
Calculez la médiane du résultat précédent.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Print the first element of the list to the console 


# Create a sublist of non-retweets
non_rt <- ___(___, "is_retweet")

# Extract the favorite count element of each non_rt sublist
fav_count <- ___(___, "favorite_count")

# Get the median of favorite_count for non_rt
___(___)

Modifier et exécuter le code

Cette activité fait partie du cours

Programmation fonctionnelle intermédiaire avec purrr

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Les fonctions lambda, mappeurs et prédicats vous intimident? N'ayez crainte! Après un petit rappel sur purrr, nous plongerons dans les bases de la programmation fonctionnelle, nous découvrirons les fonctions anonymes et les prédicats, et nous verrons comment les utiliser pour nettoyer et explorer des données.

Exercise 1: Rappel des notions de base de purrr Exercise 2: Rafraîchir votre mémoire de purrr Exercise 3: Un autre rappel sur purrr Exercise 4: Introduction aux mappeurs Exercise 5: Créer des fonctions lambda Exercise 6: Fonctions lambda Exercise 7: Utiliser des mappeurs pour nettoyer vos données Exercise 8: Nettoyez vos données avec keep Exercise 9: Scinder avec keep() et discard()Exercise 10: Prédicats Exercise 11: Qu'est-ce qu'un prédicat ?Exercise 12: Explorer les données avec des prédicats

Prêt à aller plus loin avec la programmation fonctionnelle et purrr? Dans ce chapitre, nous découvrirons le concept de programmation fonctionnelle, nous explorerons la gestion des erreurs, notamment avec safely() et possibly(), et nous présenterons la fonction compact() pour épurer votre code.

Exercise 1: Programmation fonctionnelle en R Exercise 2: Tout ce qui se passe est un appel de fonction Exercise 3: Identifier les fonctions pures Exercise 4: Outils de programmation fonctionnelle avec purrr Exercise 5: Itérations sécurisées Exercise 6: Créer une fonction Exercise 7: Utiliser possibly()Exercise 8: Une version possibly() de read_lines()Exercise 9: Tout en un seul appel Exercise 10: Gérer les résultats des adverbes Exercise 11: Peaufiner notre fonction avec purrr Exercise 12: Extraire les codes d'état avec GET()

Dans ce chapitre, nous utiliserons purrr pour écrire un code plus clair, plus propre et plus facile à maintenir. Nous apprendrons à écrire des fonctions élégantes avec compose() et negate(). Nous utiliserons aussi partial() pour composer des fonctions en « préremplissant » des arguments à partir de fonctions existantes. Enfin, nous présenterons les colonnes de type liste (list-columns), une structure de données pratique qui nous aide à écrire du code soigné avec le Tidyverse.

Exercise 1: Pourquoi viser un code plus propre ?Exercise 2: Comment écrire compose()Exercise 3: De retour au bureau Exercise 4: Créer des fonctions avec compose() et negate()Exercise 5: Créer une fonction Exercise 6: Compter les NA Exercise 7: Préremplir des fonctions Exercise 8: Un extracteur de contenu Exercise 9: Un autre extracteur Exercise 10: Colonnes de listes Exercise 11: À propos des colonnes de listes Exercise 12: Créer un data.frame avec une colonne de listes

Nous rassemblerons tout ce que nous savons sur purrr dans une étude de cas. Ici, nous utiliserons purrr pour analyser des données récupérées depuis Twitter. Nous écrirons un code propre pour organiser les données, puis nous identifierons les influenceurs Twitter de la conférence RStudio 2018.

Exercise 1: Découvrir l'ensemble de données Exercise 2: Jouer avec des tweets, ronde 1

Exercice en cours

Exercise 3: Identifier des profils Exercise 4: Extraire des renseignements à partir de l'ensemble de données Exercise 5: Compter les favoris Exercise 6: Extraire les mentions Exercise 7: Manipuler des URL Exercise 8: Analyse des URL Exercise 9: Jouer avec les URL Exercise 10: Repérer les personnes influentes Exercise 11: Scinder l'ensemble de données Exercise 12: Nous avons un gagnant !Exercise 13: Félicitations !