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.

Bergabung bersama dengan menyenangkan

Bergabunglah dengan saya

Penyelidikan lanjutan

Garis yang berpotongan tak punya yang sejajar

Options

intersect()

inner_join()

Intersect vs. inner join

Melaju cepat di persimpangan

Sampaikan keadaan persatuan

Simpan union

Daftar ke serikat lokal Anda, semua

Sedikit terlalu mengecualikan

Memeriksa kesetaraan himpunan

Memeriksa perbedaan

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.

Hanya berfungsi jika nama kolom sama di antara kedua tibble.

Untuk dua tibble `df1` dan `df2` dengan nama kolom yang sama, ini selalu mengembalikan semua baris yang sama-sama dimiliki oleh `df1` dan `df2`.

Berfungsi bahkan jika kedua argumen memiliki jumlah kolom yang berbeda.

Untuk dua tibble `df1` dan `df2`, ini mengembalikan semua baris dengan nilai kunci yang cocok antara `df1` dan `df2`.

Intersect vs. inner join

Pemrograman dengan dplyr

Latihan interaktif praktis