Esplorare i dati IPEDS II
La maggior parte delle analisi richiede data wrangling. Per fortuna, nel tidyverse ci sono molte funzioni che facilitano la pulizia dei data frame. Ad esempio, la funzione drop_na() rimuove le osservazioni con valori mancanti. Per impostazione predefinita, drop_na() controlla tutte le colonne e rimuove tutte le osservazioni con uno o più valori mancanti.
miss_ex <- tibble(
animal = c("dog", "cat", "rat", NA),
name = c("Woodruf", "Stryker", NA, "Morris"),
age = c(1:4))
miss_ex
miss_ex %>%
drop_na() %>%
arrange(desc(age))
# A tibble: 2 x 3
animal name age
<chr> <chr> <dbl>
1 cat Stryker 2
2 dog Woodruf 1
Questo esercizio fa parte del corso
Mappe interattive con leaflet in R
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Remove colleges with missing sector information
ipeds <-
ipeds_missing %>%
___()