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.

Memberikan bantuan relokasi

Memindahkan dengan select() dan everything()

Mengatur ulang dengan select() dan last_col()

Menggeser posisi dengan relocate()

Itu sudah kelewat batas

Mutasi pada banyak kolom

Meringkas lintas banyak variabel

Menggabungkan count() dengan across()

Penyeberangan hewan: rowwise baru

across() vs. c_across()

Agregasi dengan rowwise()

Satu untuk apa pun, satu untuk semua

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.

Join together for fun

Join with me

Further investigations

Lines that intersect are without parallel

Intersect vs. inner join

Speeding through the intersection

Deliver the state of the union

Save the union

Sign up for your local union, all

A little too excepting

Checking for equal sets

Checking for differences

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

Tidyverse mencakup seperangkat paket yang luar biasa untuk memudahkan dan mempercepat pekerjaan dengan data. Namun, pernahkah Anda mencoba menempatkan fungsi dplyr di dalam fungsi lain lalu terjebak dengan galat aneh atau hasil yang tak terduga? Galat tersebut kemungkinan disebabkan oleh tidy evaluation, yang membutuhkan sedikit upaya tambahan untuk menanganinya. Dalam Pemrograman dengan dplyr, Anda akan dibekali strategi untuk menyelesaikan galat tersebut melalui paket rlang. Anda juga akan mempelajari teknik lain untuk pemrograman dengan dplyr menggunakan data dari Bank Dunia dan Dana Moneter Internasional untuk menganalisis tren global sepanjang materi. Pada akhir kursus, Anda akan menjadi ninja penulis fungsi tidyverse!

Joining Data with dplyr

Introduction to Writing Functions in R

Pelajari transformasi dplyr lanjutan dan gunakan kode dplyr serta ggplot2 dalam fungsi.

Pemrograman dengan dplyr

Pelajari cara melakukan transformasi lanjutan dengan dplyr dan mengintegrasikan kode dplyr dan ggplot2 ke dalam fungsi.

across() vs. c_across()

Pemrograman dengan dplyr

Latihan interaktif praktis