Iterasi yang aman

Seperti pada bab sebelumnya, bayangkan Anda adalah analis data di sebuah agensi web. Kali ini, Anda diminta melakukan web scraping.

(Catatan: jangan khawatir jika Anda belum tahu cara melakukan web scraping, kita akan mulai dari yang sederhana, dan semua fungsi akan dijelaskan).

Anda menerima sebuah daftar URL, tetapi Anda menduga sebagian bukan alamat yang valid. Hal pertama yang akan Anda lakukan adalah menguji apakah Anda bisa terhubung ke URL tersebut. Untuk itu, kita akan menggunakan fungsi sederhana dari paket readr: read_lines(), yang akan kita bungkus dengan safely(). Saat diberi sebuah URL, read_lines() membaca HTML, atau mengembalikan galat jika URL tidak dapat dijangkau.

Vektor urls tersedia di ruang kerja Anda. Cetak di konsol jika Anda ingin melihat isinya.

Latihan ini adalah bagian dari kursus

Pemrograman Fungsional Tingkat Menengah dengan purrr

Petunjuk latihan

Buat versi aman dari fungsi read_lines().
Terapkan fungsi yang baru dibuat ini pada vektor bernama urls yang disediakan.
Atur nama hasilnya dengan fungsi set_names().
Ekstrak elemen "error" dari setiap subdaftar.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Create a safe version of read_lines()
safe_read <- ___(___)

# Map it on the urls vector
res <- ___(urls, ___)

# Set the name of the results to `urls`
named_res <- ___(res, ___)

# Extract only the "error" part of each sublist
___(named_res, ___)

Edit dan Jalankan Kode

Latihan ini adalah bagian dari kursus

Pemrograman Fungsional Tingkat Menengah dengan purrr

SkillTag.level.intermediateSkillTag.label

4.8+

Mulai Kursus Gratis

Do lambda functions, mappers, and predicates sound scary to you? Fear no more! After refreshing your purrr memory, we will dive into functional programming 101, discover anonymous functions and predicates, and see how we can use them to clean and explore data.

Exercise 1: purrr basics - a refresher Exercise 2: Refreshing your purrr memory Exercise 3: Another purrr refresher Exercise 4: Introduction to mappers Exercise 5: Creating lambda functions Exercise 6: Lambda functions Exercise 7: Using mappers to clean up your data Exercise 8: Clean up your data with keep Exercise 9: Split up with keep() and discard()Exercise 10: Predicates Exercise 11: What is a predicate?Exercise 12: Exploring data with predicates

Ready to go deeper with functional programming and purrr? In this chapter, we'll discover the concept of functional programming, explore error handling using including safely() and possibly(), and introduce the function compact() for cleaning your code.

Exercise 1: Pemrograman fungsional di R Exercise 2: Segala sesuatu yang terjadi adalah pemanggilan fungsi Exercise 3: Mengidentifikasi fungsi murni Exercise 4: Perangkat untuk pemrograman fungsional di purrr Exercise 5: Iterasi yang aman

Latihan Saat Ini

Exercise 6: Buat sebuah fungsi Exercise 7: Menggunakan possibly()Exercise 8: Versi possibly() dari read_lines()Exercise 9: Semua dalam satu pemanggilan Exercise 10: Menangani hasil adverb Exercise 11: Menyempurnakan fungsi kita Exercise 12: Mengambil kode status dengan GET()

In this chapter, we'll use purrr to write code that is clearer, cleaner, and easier to maintain. We'll learn how to write clean functions with compose() and negate(). We'll also use partial() to compose functions by "prefilling" arguments from existing functions. Lastly, we'll introduce list-columns, which are a convenient data structure that helps us write clean code using the Tidyverse.

Exercise 1: Why cleaner code?Exercise 2: How to write compose()Exercise 3: Back to the office Exercise 4: Building functions with compose() and negate()Exercise 5: Build a function Exercise 6: Count the NA Exercise 7: Prefilling functions Exercise 8: A content extractor Exercise 9: Another extractor Exercise 10: List columns Exercise 11: About list-columns Exercise 12: Create a list-column data.frame

We'll wrap up everything we know about purrr in a case study. Here, we'll use purrr to analyze data that has been scraped from Twitter. We'll use clean code to organize the data and then we'll identify Twitter influencers from the 2018 RStudio conference.

Exercise 1: Discovering the dataset Exercise 2: Playing with tweets, round 1 Exercise 3: Identify profiles Exercise 4: Extracting information from the dataset Exercise 5: Counting favorites Exercise 6: Extracting mentions Exercise 7: Manipulating URLs Exercise 8: Analyzing URLs Exercise 9: Playing with URLs Exercise 10: Identifying influencers Exercise 11: Splitting the dataset Exercise 12: We have a winner!Exercise 13: Congratulations!