Conta gli NA

Ora che hai una versione più rigorosa dell'estrattore di status code, provala sulla nostra lista di URL.

Qui vogliamo vedere quali dei siti web nella nostra lista restituiscono uno status code che non è compreso tra 200 e 203. Per farlo, capovolgeremo la funzione is.na(): invece di restituire TRUE se il valore è mancante, restituirà FALSE.

Il vettore urls e la funzione strict_code() sono disponibili nel tuo workspace. httr e purrr sono già caricati per te.

Questo esercizio fa parte del corso

Programmazione funzionale intermedia con purrr

Visualizza il corso

Istruzioni dell'esercizio

Esegui strict_code() sul vettore di URL.
Imposta i nomi dei risultati con la funzione set_names(), usando il vettore urls.
"Capovolgi" la funzione is.na() negandone il comportamento.
Usa la funzione is_not_na() sul vettore dei risultati.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Map the strict_code function on the urls vector
res <- ___(urls, ___)

# Set the names of the results using the urls vector
res_named <- ___(res, ___)

# Negate the is.na function
is_not_na <- ___(___)

# Run is_not_na on the results
is_not_na(___)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Programmazione funzionale intermedia con purrr

IntermediárioNível de habilidade

4.8+

Inizia il corso gratis

Do lambda functions, mappers, and predicates sound scary to you? Fear no more! After refreshing your purrr memory, we will dive into functional programming 101, discover anonymous functions and predicates, and see how we can use them to clean and explore data.

Exercise 1: purrr basics - a refresher Exercise 2: Refreshing your purrr memory Exercise 3: Another purrr refresher Exercise 4: Introduction to mappers Exercise 5: Creating lambda functions Exercise 6: Lambda functions Exercise 7: Using mappers to clean up your data Exercise 8: Clean up your data with keep Exercise 9: Split up with keep() and discard()Exercise 10: Predicates Exercise 11: What is a predicate?Exercise 12: Exploring data with predicates

Ready to go deeper with functional programming and purrr? In this chapter, we'll discover the concept of functional programming, explore error handling using including safely() and possibly(), and introduce the function compact() for cleaning your code.

Exercise 1: Functional programming in R Exercise 2: Everything that happens is a function call Exercise 3: Identifying pure functions Exercise 4: Tools for functional programming in purrr Exercise 5: Safe iterations Exercise 6: Create a function Exercise 7: Using possibly()Exercise 8: A possibly() version of read_lines()Exercise 9: Everything in one call Exercise 10: Handling adverb results Exercise 11: Purrrfecting our function Exercise 12: Extracting status codes with GET()

In this chapter, we'll use purrr to write code that is clearer, cleaner, and easier to maintain. We'll learn how to write clean functions with compose() and negate(). We'll also use partial() to compose functions by "prefilling" arguments from existing functions. Lastly, we'll introduce list-columns, which are a convenient data structure that helps us write clean code using the Tidyverse.

Exercise 1: Perché scrivere codice più pulito?Exercise 2: Come scrivere compose()Exercise 3: Ritorno in ufficio Exercise 4: Creare funzioni con compose() e negate()Exercise 5: Crea una funzione Exercise 6: Conta gli NA

Esercizio in corso

Exercise 7: Precompilare le funzioni Exercise 8: Un estrattore di contenuti Exercise 9: Un altro estrattore Exercise 10: Colonne lista Exercise 11: Le list-column Exercise 12: Crea un data.frame con una list-column

We'll wrap up everything we know about purrr in a case study. Here, we'll use purrr to analyze data that has been scraped from Twitter. We'll use clean code to organize the data and then we'll identify Twitter influencers from the 2018 RStudio conference.

Exercise 1: Discovering the dataset Exercise 2: Playing with tweets, round 1 Exercise 3: Identify profiles Exercise 4: Extracting information from the dataset Exercise 5: Counting favorites Exercise 6: Extracting mentions Exercise 7: Manipulating URLs Exercise 8: Analyzing URLs Exercise 9: Playing with URLs Exercise 10: Identifying influencers Exercise 11: Splitting the dataset Exercise 12: We have a winner!Exercise 13: Congratulations!