The best way to learn data wrangling skills is to apply them to a specific case study. Here you'll learn how to clean and filter the United Nations voting dataset using the dplyr package, and how to summarize it into smaller, interpretable units.

The United Nations Voting Dataset

Filtering rows

Adding a year column

Adding a country column

Grouping and summarizing

Summarizing the full dataset

Summarizing by year

Summarizing by country

Sorting and filtering summarized data

Sorting by percentage of "yes" votes

Filtering summarized output

Data cleaning and summarizing with dplyr

Once you've cleaned and summarized data, you'll want to visualize them to understand trends and extract insights. Here you'll use the ggplot2 package to explore trends in United Nations voting within each country over time.

Visualizzazione con ggplot2

Scelta di un'estetica

Tracciare una linea nel tempo

Altri layer di ggplot2

Visualizzare per paese

Riepilogo per anno e paese

Rappresentare nel tempo solo il Regno Unito

Tracciare più paesi

Suddividere in pannelli per paese

Suddividere la serie temporale in facet

Suddivisione in pannelli con asse y libero

Scegli i tuoi paesi

Data visualization with ggplot2

While visualization helps you understand one country at a time, statistical modeling lets you quantify trends across many countries and interpret them together. Here you'll learn to use the tidyr, purrr, and broom packages to fit linear models to each country, and understand and compare their outputs.

Linear regression

Linear regression on the United States

Finding the slope of a linear regression

Finding the p-value of a linear regression

Tidying models with broom

Tidying a linear regression model

Combining models for multiple countries

Nesting for multiple models

Nesting a data frame

List columns

Unnesting

Fitting multiple models

Performing linear regression on each nested dataset

Tidy each linear regression model

Unnesting a data frame

Working with many tidy models

Filtering model terms

Filtering for significant countries

Sorting by slope

Tidy modeling with broom

In this chapter, you'll learn to combine multiple related datasets, such as incorporating information about each resolution's topic into your vote analysis. You'll also learn how to turn untidy data into tidy data, and see how tidy data can guide your exploration of topics and countries over time.

Joining datasets

Joining datasets with inner_join

Filtering the joined dataset

Visualizing colonialism votes

Tidy data

Tidy data observations

Using gather to tidy a dataset

Recoding the topics

Summarize by country, year, and topic

Visualizing trends in topics for one country

Tidy modeling by topic and country

Nesting by topic and country

Interpreting tidy models

Steepest trends by topic

Checking models visually

Conclusion

Joining and tidying

United Nations voting dataset

Topic information for each country (Descriptions)

Dopo aver iniziato a imparare strumenti per la manipolazione e la visualizzazione dei dati come dplyr e ggplot2, questo corso ti permette di metterli in pratica su un insieme di dati reale. Esplorerai le storiche votazioni dell'Assemblea Generale delle Nazioni Unite, analizzando le differenze di voto tra paesi, nel tempo e tra questioni internazionali. Nel frattempo farai più pratica con i pacchetti dplyr e ggplot2, conoscerai il pacchetto broom per “ripulire” l’output dei modelli e sperimenterai un’analisi esplorativa completa, dall’inizio alla fine, tipica della data science.

Introduction to Data Visualization with ggplot2

Usa le tue abilità di analisi dati per esplorare il voto storico dell'Assemblea Generale ONU.

Caso di studio: Analisi esplorativa dei dati in R

Usa le tue abilità di manipolazione e visualizzazione dei dati per dare un'occhiata ai voti storici dell'Assemblea Generale delle Nazioni Unite.

Suddividere in pannelli per paese

Create Your Free Account