In this chapter, you'll revisit dplyr pipelines and enhance your column selection skills with helper functions and regular expressions.

Be fruitful and dplyr

select() vs. filter()

A great selection

Mutation necessary

Lending a helper hand

Don't get me started

See how that ended up

Finding our perfect match

Contain-ted love

Looking for matches

Hold Your Selected Leaders Accountable

Here, you'll learn how to move columns around in your data and perform the same transformation across multiple data columns. You'll also choose rows that match any or all column criteria.

Providing relocation assistance

Moving with select() and everything()

Rearranging with select() and last_col()

Shifting positions with relocate()

That has crossed the line

Mutate across multiple columns

Summarize across multiple variables

Combining count() with across()

Animal crossing: new rowwise's

across() vs. c_across()

Aggregations with rowwise()

One for any, one for all

Keep Them Dogies Movin’

For this section, you'll revisit dplyr joins. You'll then take this further by using set theory clauses to examine overlaps and differences between datasets.

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

Set Theory Claus and The North Pole

In this final part of the course, you'll use rlang operators to turn arguments into variables and create functions that incorporate dplyr and ggplot2 code.

What is your major mal-function?

Unemployment rates by region

Median unemployment rates by group

Bang-bang!!

Matching rlang operators

Bang bang into the room

Rlang-ing in your rocking chair

You are the walrus

Analyze the region results

A great ggplot twist

Plotting and scheming

The plot title thickens

Congratulations!

Speaking a New rlang-uage

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()

Exercice interactif pratique