Maak een data.frame met een lijst-kolom

We sluiten dit hoofdstuk af met een implementatie van onze link-extractor, maar dan met een lijst-kolom. Het idee bij een genestte dataframe (dus: een dataframe met een lijst-kolom) is om alles binnen één dataframe te houden, zodat je workflow netjes en overzichtelijk blijft.

Je hebt een tibble df gekregen met een kolom urls met de vier URL’s die je sinds het begin van dit hoofdstuk gebruikt. Wil je deze dataframe bekijken? Print hem dan gerust in de console.

We gaan een nieuwe kolom links maken met de resultaten van de functie get_links() (beschikbaar in je werkruimte). Omdat de uitvoer van deze functie verschillende lengtes heeft, wordt de output een lijst-kolom die je daarna moet unnest() om weer een standaard dataframe te krijgen.

Deze oefening maakt deel uit van de cursus

Gevorderd functioneel programmeren met purrr

Cursus bekijken

Oefeninstructies

Laad de drie benodigde packages: dplyr, tidyr en purrr
Neem het object df en voer mutate() erop uit. mutate() zal de functie get_links() mappen over de kolom urls.
Print het resultaat.
Unnest het resultaat.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Load dplyr, tidyr, and purrr




# Create a "links" columns, by mapping get_links() on urls
df2 <- df %>%
  mutate(___ = map(___, get_links)) 

# Print df2 to see what it looks like


# unnest() df2 to have a tidy dataframe
df2 %>%
  ___(cols=c(links))

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Gevorderd functioneel programmeren met purrr

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus 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: Waarom schonere code?Exercise 2: Hoe schrijf je compose()Exercise 3: Terug op kantoor Exercise 4: Functies bouwen met compose() en negate()Exercise 5: Bouw een functie Exercise 6: Tel de NA's Exercise 7: Argumenten vooraf invullen bij functies Exercise 8: Een content-extractor Exercise 9: Nog een extractor Exercise 10: Lijstkolommen Exercise 11: Over list-kolommen Exercise 12: Maak een data.frame met een lijst-kolom

Huidige oefening

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!