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

Wees vruchtbaar met dplyr

select() vs. filter()

Een sterke selectie

Mutatie nodig

Een helpende hand van helpers

Begin er niet over

Kijk hoe dat afliep

De perfecte match vinden

Bevatte liefde

Zoeken naar overeenkomsten

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.

Providing relocation assistance

Moving with select() and everything()

Rearranging with select() and last_col()

Shifting positions with relocate()

That has crossed the line

Mutate across multiple columns

Summarize across multiple variables

Combining count() with across()

Animal crossing: new rowwise's

across() vs. c_across()

Aggregations with rowwise()

One for any, one for all

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

De tidyverse bevat een geweldige set pakketten die werken met data eenvoudig en snel maakt. Maar heb je ooit geprobeerd dplyr-functies in eigen functies te stoppen en kreeg je vreemde fouten of onverwachte resultaten? Die fouten kwamen waarschijnlijk door tidy evaluation, wat net wat extra werk vraagt. In Programmeren met dplyr leer je strategieën om deze fouten op te lossen met het rlang-pakket. Je leert ook andere technieken om te programmeren met dplyr, met data van de World Bank en het International Monetary Fund om wereldwijde trends te analyseren. Aan het einde van de cursus ben je een echte tidyverse-functieschrijver!

Joining Data with dplyr

Introduction to Writing Functions in R

Leer geavanceerde dplyr-transformaties en gebruik dplyr en ggplot2-code in functies.

Programmeren met dplyr

Leer hoe je geavanceerde dplyr-transformaties kunt uitvoeren en dplyr- en ggplot2-code in functies kunt gebruiken.

select() vs. filter()

Programmeren met dplyr

Praktische interactieve oefening