Nog een purrr-opfrisser

Je hebt zojuist visit_c ontvangen: het aantal bezoeken aan de website in dezelfde week, maar met het oude ontwerp, dat aan 1/3 van de bezoekers is getoond. Je wilt deze visit_c nu vergelijken met de twee vorige ontwerpen, visit_a en visit_b, om te zien welk ontwerp leidde tot meer bezoeken aan de Contact-pagina.

Ook nu moet je alle bezoekerslijsten omzetten naar het dagelijkse aantal bezoeken.

Je bent gevraagd om twee inzichten te leveren:

Een plot voor elk element
Het totaal aantal bezoeken per dag, ongeacht het ontwerp

Je gaat zowel map() als walk() uitproberen voor het plotten. Beide geven de "bijwerkingen" terug, oftewel de veranderingen in de omgeving (plots tekenen, een bestand downloaden, de werkdirectory wijzigen…), maar walk() print niets naar de console.

Deze oefening maakt deel uit van de cursus

Gevorderd functioneel programmeren met purrr

Cursus bekijken

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Create all_tests list  and modify with to_day() function
all_tests <- ___(visit_a, visit_b, visit_c)
all_tests_day <- ___(all_tests, ___)

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 - een opfrisser Exercise 2: Je purrr-kennis opfrissen Exercise 3: Nog een purrr-opfrisser

Huidige oefening

Exercise 4: Introductie tot mappers Exercise 5: Lambda-functies maken Exercise 6: Lambdafuncties Exercise 7: Mappers gebruiken om je data op te schonen Exercise 8: Ruim je data op met keep Exercise 9: Splitsen met keep() en discard()Exercise 10: Predicaten Exercise 11: Wat is een predicaat?Exercise 12: Data verkennen met predicaten

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: Why cleaner code?Exercise 2: How to write compose()Exercise 3: Back to the office Exercise 4: Building functions with compose() and negate()Exercise 5: Build a function Exercise 6: Count the NA Exercise 7: Prefilling functions Exercise 8: A content extractor Exercise 9: Another extractor Exercise 10: List columns Exercise 11: About list-columns Exercise 12: Create a list-column data.frame

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!