Dans ce chapitre, vous reverrez les pipelines dplyr et améliorerez vos sélections de colonnes grâce aux fonctions d’assistance et aux expressions régulières.

Fructifiez avec dplyr

select() vs. filter()

Une excellente sélection

Mutation nécessaire

Un coup de pouce avec les fonctions utilitaires

Ne me lancez pas là-dessus

Voyons comment cela se termine

Trouver la correspondance idéale

Un amour conTENeur

À la recherche de correspondances

Demandez des comptes à vos dirigeants choisis

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 répondent à au moins un ou à tous les critères de colonne.

Proposer une aide au repositionnement des colonnes

Déplacer avec select() et everything()

Réorganiser avec select() et last_col()

Changer l’ordre avec relocate()

Cela a dépassé la limite

Transformer sur plusieurs colonnes

Résumer sur plusieurs variables

Combiner count() avec across()

Animal Crossing : nouvelles fonctions rowwise

across() vs. c_across()

Agrégations avec rowwise()

Un pour « any », un pour « all »

Faites avancer le troupeau

Dans cette section, vous réviserez les jointures dplyr, puis irez plus loin en utilisant des opérations inspirées de la théorie des ensembles pour examiner les recouvrements et les différences entre jeux de données.

Joindre pour le plaisir

Joignez-vous à moi

Poursuivre l’enquête

Des lignes qui se croisent n’ont pas de parallèle

Options

intersect()

inner_join()

intersect() vs. inner_join()

Foncer à travers l’intersection

Livrer l’état de l’union

Sauvegarder l’union

Adhérez à votre union locale, toutes et tous

Un peu trop d’EXCEPT

Vérifier l’égalité entre ensembles

Vérifier les différences

Théorie des ensembles au Pôle Nord

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

Quel est votre dysfonctionnement majeur ?

Taux de chômage par région

Taux de chômage médians par groupe

Bang-bang !!

Faire correspondre les opérateurs rlang

Bang bang dans la pièce

Rlang-uez depuis votre fauteuil

You are the walrus

Analyser les résultats par région

Un excellent rebondissement avec ggplot

Combiner graphiques et stratégie

Le titre de graphique s’épaissit

Félicitations !

Parler le nouveau rlang-ue

International Monetary Fund (IMF)

World Bank

Le tidyverse regroupe un ensemble remarquable de packages qui rendent la manipulation de données simple et rapide. Mais avez-vous déjà essayé d’utiliser des fonctions dplyr à l’intérieur de vos propres fonctions et rencontré des erreurs étranges ou des résultats inattendus ? Ces erreurs sont souvent dues à la « tidy evaluation », qui demande un peu de travail supplémentaire. Dans Programmer avec dplyr, vous apprendrez des stratégies pour résoudre ces erreurs grâce au package rlang. Vous verrez aussi d’autres techniques pour programmer avec dplyr en utilisant des données de la Banque mondiale et du Fonds monétaire international afin d’analyser des tendances mondiales tout au long du cours. À la fin, vous serez un véritable ninja 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 dplyr avancées 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` avec les mêmes noms de colonnes, cela renvoie toujours toutes les lignes communes entre `df1` et `df2`.

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

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

intersect() vs. inner_join()

Programmer avec dplyr

Exercice interactif pratique