Tel de NA's

Nu je een striktere versie van de statuscode-extractor hebt, gaan we die proberen op onze lijst met URL's.

We willen hier bekijken welke websites uit onze lijst een statuscode teruggeven die niet tussen 200 en 203 ligt. Om dit te doen, gaan we de functie is.na() omdraaien: in plaats van TRUE te geven als de waarde ontbreekt, geeft ze FALSE terug.

De vector urls en de functie strict_code() staan klaar in je werkruimte. httr en purrr zijn alvast voor je geladen.

Deze oefening maakt deel uit van de cursus

Gevorderd functioneel programmeren met purrr

Cursus bekijken

Oefeninstructies

Voer strict_code() uit op de vector met urls.
Stel de namen van de resultaten in met de functie set_names(), met behulp van de vector urls.
"Draai" de functie is.na() om door het gedrag te negateren.
Gebruik de functie is_not_na() op de vector met resultaten.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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(___)

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

Huidige oefening

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

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!