In questo capitolo riprenderai le pipeline di dplyr e migliorerai le tue abilità di selezione delle colonne con funzioni helper ed espressioni regolari.

Sii produttivo con dplyr

select() vs. filter()

Un'ottima selezione

Mutazione necessaria

Una mano dai helper

Non farmi iniziare

Guarda com'è andata a finire

Trovare l'abbinamento perfetto

Amore con-tenuto

Alla ricerca di corrispondenze

Chiedi conto ai leader che hai selezionato

Qui imparerai a spostare le colonne nei tuoi dati e ad applicare la stessa trasformazione su più colonne. Inoltre, sceglierai le righe che corrispondono a uno o a tutti i criteri delle colonne.

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

Tienili in movimento

In questa sezione riprenderai le join di dplyr. Poi farai un passo oltre usando le clausole della teoria degli insiemi per esaminare sovrapposizioni e differenze tra insiemi di dati.

Unisciti per divertirti

Unisciti a me

Indagini approfondite

Linee che si intersecano non sono parallele

Opzioni

intersect()

inner_join()

intersect vs. inner join

A tutto gas nell'intersezione

Presenta lo stato dell’unione

Salva l'unione

Iscriviti al tuo sindacato locale, tutti

Un po' troppo eccezionale

Verificare l'uguaglianza tra insiemi

Verificare le differenze

Teoria degli insiemi con Claus al Polo Nord

In quest’ultima parte del corso, userai gli operatori di rlang per trasformare gli argomenti in variabili e creare funzioni che incorporano codice dplyr e ggplot2.

Qual è il tuo maggiore mal‑function?

Tassi di disoccupazione per regione

Tassi mediani di disoccupazione per gruppo

Bang-bang!!

Abbinare gli operatori di rlang

Bang bang nella stanza

Rlang-ando sulla tua sedia a dondolo

You are the walrus

Analizza i risultati per regione

Un grande colpo di scena con ggplot

Trame e grafici

Il titolo del grafico si infittisce

Congratulazioni!

Parlare una nuova 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.

Funziona solo se i nomi delle colonne sono gli stessi nei due tibble.

Per due tibble `df1` e `df2` con gli stessi nomi di colonna, questo restituisce sempre tutte le righe in comune tra `df1` e `df2`.

Funziona anche se i due argomenti hanno un numero diverso di colonne.

Per due tibble `df1` e `df2`, questo restituisce tutte le righe con valori di chiave corrispondenti tra `df1` e `df2`.

intersect vs. inner join

Programmare con dplyr

esercizio interattivo pratico