Esplorare i dati IPEDS

Nei capitoli 2 e 3 useremo un sottoinsieme dei dati IPEDS che si concentra su istituzioni quadriennali pubbliche, private e for-profit. Negli Stati Uniti ci sono anche molte istituzioni classificate come college biennali o scuole professionali, che non sono incluse in questo corso. Il nostro sottoinsieme ha cinque variabili su 3.146 college.

La colonna sector_label nel data frame ipeds indica se un college è pubblico, privato o for-profit. Nella console, usa le funzioni group_by() e count() del pacchetto dplyr per determinare quale settore di college è più comune.

Il pacchetto tidyverse, che include dplyr, è già stato caricato per te. Nel tuo workspace hai anche accesso al dataframe ipeds.

Quale settore di college è più comune nei dati IPEDS?

Questo esercizio fa parte del corso

Mappe interattive con leaflet in R

Visualizza corso

esercizio interattivo pratico

Trasforma la teoria in pratica con uno dei nostri esercizi interattivi

Inizia esercizio

Mappe interattive con leaflet in R

InicianteNível de habilidade

4.7+

96 reviews

Nel Capitolo 4 imparerai a mappare i poligoni, che possono essere usati per definire regioni geografiche (ad es., CAP, stati, paesi, ecc.). Il capitolo inizierà tracciando i CAP della Carolina del Nord che rientrano nel quartile superiore dei redditi familiari medi. Imparerai a personalizzare i poligoni con palette di colori ed etichette. Il capitolo si concluderà aggiungendo un nuovo layer alla mappa di tutti i college in America che mostra ogni CAP con un reddito medio pari o superiore a 200.000 $ nell'anno fiscale 2015. Nel processo di mappatura dei CAP conoscerai i dati spaziali in generale, i dati geoJSON, il simbolo @ e la funzione addPolygons(). Inoltre, avrai occasione di esercitarti ad applicare molte delle opzioni viste nei capitoli precedenti, come popup ed etichette, insieme a nuovi modi per personalizzare le mappe, come l'opzione di evidenziazione in addPolygons().

Exercise 1: Dati spaziali Exercise 2: Introduzione ai dati spaziali Exercise 3: Esplorare i dati spaziali Exercise 4: Unire dati spaziali Exercise 5: Mappare poligoni Exercise 6: Funzione addPolygons()Exercise 7: CAP con reddito alto in NC Exercise 8: Opzioni di addPolygon()Exercise 9: Facciamo un po' di logging Exercise 10: Mettere tutto insieme Exercise 11: I CAP con il reddito più alto in America Exercise 12: Mappa finale Exercise 13: Grazie!