Dans ce chapitre, vous reverrez les enchaînements dplyr et améliorerez vos habiletés de sélection de colonnes avec des fonctions utilitaires et des expressions régulières.

Soyez productif.ve avec dplyr

select() vs. filter()

Une excellente sélection

Mutation nécessaire

Un coup de pouce avec les fonctions d'aide

Ne me lancez pas là-dessus

Voyez comment ça se termine

Trouver la correspondance parfaite

Amour conTENu

À la recherche de correspondances

Demandez des comptes à vos dirigeant·e·s choisi·e·s

Ici, vous apprendrez à déplacer des colonnes dans vos données et à appliquer la même transformation à plusieurs colonnes. Vous choisirez aussi les lignes qui respectent un ou tous les critères de colonnes.

Offrir de l'aide au déplacement

Déplacer avec select() et everything()

Réorganiser avec select() et last_col()

Changer l'ordre avec relocate()

Ça dépasse la ligne

Muter sur plusieurs colonnes

Résumer plusieurs variables à la fois

Combiner count() avec across()

Passage d'animaux : les nouveautés de rowwise()

across() vs. c_across()

Agrégations avec rowwise()

Un pour l'un, un pour tous

Faites avancer le troupeau

Dans cette section, vous reverrez les jointures dplyr. Vous irez ensuite plus loin en utilisant des clauses de théorie des ensembles pour examiner les recoupements et les différences entre des jeux de données.

Joindre pour le plaisir

Faites une jointure avec moi

Poursuivre l'enquête

Des lignes qui se croisent ne sont pas parallèles

Options

intersect()

inner_join()

intersect() vs inner_join()

À toute vitesse dans l'intersection

Présenter l'état de l'union

Sauver l'union

Adhérez à votre syndicat… au complet

Un peu trop d'exceptions

Vérifier l'égalité des ensembles

Vérifier les différences

La théorie des ensembles au pôle Nord

Dans la dernière partie du cours, vous utiliserez des opérateurs rlang pour transformer des arguments en variables et créer des fonctions qui intègrent du code dplyr et ggplot2.

Quel est votre méga-malfonctionnement?

Taux de chômage par région

Taux de chômage médians par groupe

Bang-bang!!

Faire correspondre les opérateurs rlang

Bang bang dans la pièce

Rlang-uer bien installé dans votre berçante

Vous êtes le morse

Analysez les résultats par région

Un super rebondissement avec ggplot

Tracer et manigancer

Le titre du graphique s'épaissit

Félicitations !

Parler le nouveau dialecte rlang

World Bank

International Monetary Fund (IMF)

Le tidyverse comprend un ensemble remarquable de forfaits qui simplifient et accélèrent le travail avec les données. Mais avez-vous déjà essayé d'insérer des fonctions dplyr dans vos propres fonctions et obtenu des erreurs étranges ou des résultats inattendus? Ces erreurs sont probablement liées à l'évaluation tidy, qui demande un peu plus de travail. Dans Programmer avec dplyr, vous apprendrez des stratégies pour résoudre ces erreurs grâce au forfait rlang. Vous verrez aussi d'autres techniques pour programmer avec dplyr en utilisant des données de la Banque mondiale et du Fonds monétaire international pour analyser des tendances mondiales tout au long du cours. À la fin, vous serez un as de l'écriture de fonctions tidyverse!

Joining Data with dplyr

Introduction to Writing Functions in R

Apprenez à effectuer des transformations avancées avec dplyr et à intégrer dplyr et ggplot2 dans des fonctions.

Programmer avec dplyr

Apprenez à effectuer des transformations avancées avec dplyr et à intégrer du code dplyr et ggplot2 dans des fonctions.

Ne fonctionne que si les noms de colonnes sont identiques entre les deux tibbles.

Pour deux tibbles `df1` et `df2` ayant les mêmes noms de colonnes, ceci renvoie toujours toutes les lignes communes entre `df1` et `df2`.

Fonctionne même si les deux arguments ont un nombre différent de colonnes.

Pour deux tibbles `df1` et `df2`, ceci renvoie toutes les lignes dont les valeurs de clé correspondent entre `df1` et `df2`.

intersect() vs inner_join()

Programmer avec dplyr

Exercice interactif pratique