In this chapter, you'll revisit dplyr pipelines and enhance your column selection skills with helper functions and regular expressions.

Be fruitful and dplyr

select() vs. filter()

A great selection

Mutation necessary

Lending a helper hand

Don't get me started

See how that ended up

Finding our perfect match

Contain-ted love

Looking for matches

Hold Your Selected Leaders Accountable

Here, you'll learn how to move columns around in your data and perform the same transformation across multiple data columns. You'll also choose rows that match any or all column criteria.

Fornire assistenza per la rilocazione

Spostare con select() ed everything()

Riorganizzare con select() e last_col()

Cambiare posizione con relocate()

Questo ha superato il limite

Esegui mutate su più colonne

Riepiloga su più variabili

Combinare count() con across()

Attraversamento animale: i nuovi rowwise

across() vs. c_across()

Aggregazioni con rowwise()

Uno per qualcuno, uno per tutti

Keep Them Dogies Movin’

For this section, you'll revisit dplyr joins. You'll then take this further by using set theory clauses to examine overlaps and differences between datasets.

Join together for fun

Join with me

Further investigations

Lines that intersect are without parallel

Intersect vs. inner join

Speeding through the intersection

Deliver the state of the union

Save the union

Sign up for your local union, all

A little too excepting

Checking for equal sets

Checking for differences

Set Theory Claus and The North Pole

In this final part of the course, you'll use rlang operators to turn arguments into variables and create functions that incorporate dplyr and ggplot2 code.

What is your major mal-function?

Unemployment rates by region

Median unemployment rates by group

Bang-bang!!

Matching rlang operators

Bang bang into the room

Rlang-ing in your rocking chair

You are the walrus

Analyze the region results

A great ggplot twist

Plotting and scheming

The plot title thickens

Congratulations!

Speaking a New rlang-uage

International Monetary Fund (IMF)

World Bank

Il tidyverse include un insieme straordinario di pacchetti che rendono il lavoro con i dati semplice e veloce. Ma hai mai provato a inserire funzioni dplyr dentro altre funzioni e ti sei ritrovatə con errori strani o risultati inattesi? Probabilmente era colpa della tidy evaluation, che richiede un po’ di lavoro in più per essere gestita. In Programming with dplyr, imparerai strategie per risolvere questi errori usando il pacchetto rlang. Scoprirai anche altre tecniche per programmare con dplyr utilizzando dati della World Bank e dell’International Monetary Fund per analizzare tendenze globali lungo tutto il corso. Alla fine, sarai un* ninja della scrittura di funzioni tidyverse!

Joining Data with dplyr

Introduction to Writing Functions in R

Impara a eseguire trasformazioni avanzate con dplyr e integrare codice dplyr e ggplot2 in funzioni.

Programmare con dplyr

Impara come fare trasformazioni avanzate con dplyr e come mettere il codice dplyr e ggplot2 nelle funzioni.

across() vs. c_across()

Programmare con dplyr

Esercizio pratico interattivo