Extraire des informations à partir du jeu de données

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

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 Exercise 3: Identifier des profils Exercise 4: Extraire des informations à partir du jeu de données

Exercice actuel

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 !