Jouer avec des tweets, manche 1

Vous vous souvenez que, dans les chapitres précédents, vous travailliez comme data analyst pour une agence web ? Eh bien, votre travail a porté ses fruits et l’on vous confie un nouveau projet ;) Dans ce chapitre, vous allez analyser un nouveau type de données : une sortie JSON.

Votre équipe d’ingénierie vous a fourni la sortie d’une collecte de données contenant des tweets rassemblés pendant la RStudio Conf 2018. Comme cet ensemble de données est en JSON, vous l’avez lu en R sous forme de liste imbriquée.

Pour commencer, vous souhaitez explorer rapidement cet ensemble de données, et purrr va vous y aider. Le package a été chargé pour vous, et le jeu de données rstudioconf est disponible dans votre espace de travail.

Remarque : n’essayez pas d’afficher l’ensemble complet — il est trop volumineux pour la console DataCamp.

Attention : il s’agit de vraies données issues de Twitter ; il existe donc un risque de présence de grossièretés ou d’autres contenus offensants (dans cet exercice et dans tout exercice ultérieur utilisant de vraies données Twitter).

Cet exercice fait partie du cours

<cours>Programmation fonctionnelle intermédiaire avec purrr</cours>

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 chaque élément de cette nouvelle sous-liste en utilisant la variante map_* adaptée aux 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

Cet exercice fait partie du cours

<cours>Programmation fonctionnelle intermédiaire avec purrr</cours>

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Les fonctions lambda, mappers et prédicats vous intimident ? Plus maintenant ! Après un petit rappel sur purrr, nous aborderons les bases de la programmation fonctionnelle, découvrirons les fonctions anonymes et les prédicats, et verrons comment les utiliser pour nettoyer et explorer des données.

Exercise 1: Les bases de purrr : rappel Exercise 2: Rafraîchir votre mémoire sur purrr Exercise 3: Encore un rappel sur purrr Exercise 4: Introduction aux mappers Exercise 5: Créer des fonctions lambda Exercise 6: Fonctions lambda Exercise 7: Utiliser des mappers pour nettoyer vos données Exercise 8: Nettoyez vos données avec keep Exercise 9: Séparer avec keep() et discard()Exercise 10: Prédicats Exercise 11: Qu’est-ce qu’un prédicat ?Exercise 12: Explorer des 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 rendre votre code plus propre.

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 pour la 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: Parfaire notre fonction Exercise 12: Extraire les codes de statut 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 lisibles avec compose() et negate(). Nous utiliserons aussi partial() pour composer des fonctions en « préremplissant » des arguments de fonctions existantes. Enfin, nous introduirons les colonnes-listes, une structure de données pratique qui aide à écrire un code propre avec le Tidyverse.

Exercise 1: Pourquoi écrire un code plus propre ?Exercise 2: Comment écrire compose()Exercise 3: Retour au bureau Exercise 4: Construire des fonctions avec compose() et negate()Exercise 5: Construire 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-liste

Nous rassemblerons tout ce que nous avons appris sur purrr dans une étude de cas. Nous utiliserons purrr pour analyser des données récupérées sur Twitter. Nous organiserons les données avec un code propre, puis nous identifierons des influenceurs Twitter de la conférence RStudio 2018.

Exercise 1: Découvrir le jeu de données Exercise 2: Jouer avec des tweets, manche 1

Exercice actuel

Exercise 3: Identifier des profils Exercise 4: Extraire des informations à partir du jeu de données Exercise 5: Compter les « favorites »Exercise 6: Extraire les mentions Exercise 7: Manipuler des URL Exercise 8: Analyser des URL Exercise 9: Jouer avec les URL Exercise 10: Identifier les influenceurs Exercise 11: Scinder le jeu de données Exercise 12: Nous tenons notre gagnant !Exercise 13: Félicitations !