In this chapter, you’ll learn all about factors. You’ll discover the difference between categorical and ordinal variables, how R represents them, and how to inspect them to find the number and names of the levels. Finally, you’ll find how forcats, a tidyverse package, can improve your plots by letting you quickly reorder variables by their frequency.

Introduction to qualitative variables

Recognizing factor variables

Qualitative variables in theory

Understanding your qualitative variables

Getting number of levels

Examining number of levels

Examining levels

Making better plots

Reordering a variable by its frequency

Ordering one variable by another

Introduction to Factor Variables

You’ll continue to dive into the forcats package, learning how to change the order and names of levels and even collapse them into one another.

Reordering factors

Changing the order of factor levels

Tricks of fct_relevel()

Renaming factor levels

Distinguishing between forcats functions

Renaming a few levels

When you have a typo

Collapsing factor levels

Manually collapsing levels

Lumping variables by proportion

Preserving the most common levels

Manipulating Factor Variables

Having gotten a good grasp of forcats, you’ll expand out to the rest of the tidyverse, learning and reviewing functions from dplyr, tidyr, and stringr. You’ll refine graphs with ggplot2 by changing axes to percentage scales, editing the layout of the text, and more.

Esaminare variabili con un tema comune

Raggruppare e rimodellare colonne simili

Riassumere i dati

Creare un grafico iniziale

Trucchi di ggplot2

Modificare il testo del grafico

Riordinare i grafici

Modificare e creare variabili con case_when()

case_when() con una singola variabile

case_when() da più colonne

Creating Factor Variables

In this final chapter, you’ll take all that you’ve learned and apply it in a case study. You’ll learn more about working with strings and summarizing data, then replicate a publication quality 538 plot.

Case study introduction

Changing characters to factors

Tidying data

Data preparation and regex

Cleaning up strings

Dichotomizing variables

Summarizing data

Recreating the plot

Creating an initial plot

Fixing labels

Flipping things around

Finalizing the chart

End of course recap

Case Study on Flight Etiquette

538 Flying Etiquette survey

Kaggle multiple choice responses

Come data scientist, ti capiterà spesso di lavorare con dati non numerici, come qualifiche professionali, risposte a sondaggi o informazioni demografiche. R ha un modo specifico per rappresentarli, chiamato fattori, e questo corso ti aiuterà a padroneggiarne l’uso con il pacchetto del tidyverse forcats. Lavoreremo anche con altri pacchetti del tidyverse, tra cui ggplot2, dplyr, stringr e tidyr, e useremo insiemi di dati reali, come il dataset sui voli di fivethirtyeight e il sondaggio State of Data Science and ML di Kaggle. Al termine del corso, saprai identificare e manipolare variabili fattoriali, visualizzare rapidamente ed efficacemente i tuoi dati e comunicare i risultati in modo chiaro. Pronto a categorizzare?

Reshaping Data with tidyr

Preparati a categorizzare! In questo corso lavorerai con dati non numerici usando Tidyverse.

Dati categoriali nel Tidyverse

Preparati a classificare! In questo corso lavorerai con dati non numerici, come titoli di lavoro o risposte a sondaggi, usando il panorama Tidyverse.

Fondamenti di Tidyverse in R

case_when() da più colonne

Dati categoriali nel Tidyverse

Esercizio pratico interattivo