W tym rozdziale przypomnisz sobie potoki dplyr i rozwiniesz umiejętności wyboru kolumn – z pomocą funkcji pomocniczych i wyrażeń regularnych.

Koduj efektywnie z dplyr

select() kontra filter()

Świetny wybór

Niezbędna mutacja

Pomocna dłoń funkcji pomocniczych

Nie zaczynaj mnie od tego

Zakończ to z sukcesem

Znajdowanie idealnego dopasowania

Zawiera – nie zawiera

Szukanie dopasowań

Selekcja kolumn pod kontrolą

Nauczysz się tu zmieniać kolejność kolumn w danych i stosować te same przekształcenia do wielu kolumn jednocześnie. Dowiesz się też, jak wybierać wiersze spełniające dowolne lub wszystkie kryteria kolumnowe.

Pomoc przy przenoszeniu kolumn

Przenoszenie kolumn z select() i everything()

Zmiana kolejności kolumn z select() i last_col()

Przesuwanie kolumn za pomocą relocate()

To już przekracza granicę

Mutate na wielu kolumnach jednocześnie

Podsumowanie danych dla wielu zmiennych jednocześnie

Łączenie count() z across()

Zwierzęce przejście: nowe podejście do wierszy

across() a c_across()

Agregacje z rowwise()

Jeden dla dowolnego, jeden dla wszystkich

Kolumny w ruchu

W tej części przypomnisz sobie złączenia dplyr, a następnie rozszerzysz tę wiedzę o operacje teorii zbiorów – do badania części wspólnych i różnic między zbiorami danych.

Łączenie zbiorów danych z przyjemnością

Łączmy dane

Dalsze dochodzenie

Przecinające się linie nie mają sobie równych

Opcje

intersect()

inner_join()

intersect() a inner_join()

Szybkie przeglądanie części wspólnej

Złóż sprawozdanie ze stanu unii

Ocal unię

Dołącz do unii – wszystkie wiersze w grze

Trochę za dużo wyjątków

Sprawdzanie równości zbiorów

Sprawdzanie różnic

Teoria zbiorów w praktyce

W ostatniej części kursu użyjesz operatorów rlang, aby przekształcać argumenty w zmienne i tworzyć funkcje łączące kod dplyr i ggplot2.

Na czym polega twój główny problem?

Stopy bezrobocia według regionów

Medianowe stopy bezrobocia według grup

Bang-bang!!

Dopasowywanie operatorów rlang

Bang bang do pokoju

Rlang w fotelu bujany

Jesteś morsom

Analiza wyników według regionu

Nieoczekiwany zwrot z ggplotem

Wykresy i plany

Tytuł wykresu nabiera kształtu

Gratulacje!

Mów językiem rlang

World Bank

International Monetary Fund (IMF)

Tidyverse to zestaw pakietów, które sprawiają, że praca z danymi staje się prosta i szybka. Czy zdarzyło ci się jednak umieszczać funkcje dplyr wewnątrz innych funkcji i natykać się na dziwne błędy lub nieoczekiwane wyniki? Przyczyną tych błędów była najprawdopodobniej tzw. tidy evaluation, która wymaga nieco dodatkowej uwagi. W kursie „Programowanie z dplyr" poznasz strategie rozwiązywania tych problemów przy użyciu pakietu rlang. Nauczysz się też innych technik programowania z dplyr – na danych Banku Światowego i Międzynarodowego Funduszu Walutowego będziesz analizować globalne trendy. Pod koniec kursu będziesz sprawnie tworzyć własne funkcje w tidyverse!

Joining Data with dplyr

Introduction to Writing Functions in R

Naucz się zaawansowanych transformacji dplyr i używaj kodu dplyr oraz ggplot2 w funkcjach.

Programowanie z dplyr

Naucz się wykonywać zaawansowane transformacje dplyr i umieszczać kod dplyr oraz ggplot2 w funkcjach.

Działa tylko wtedy, gdy nazwy kolumn są takie same w obu tiblach.

Dla dwóch tibli `df1` i `df2` o takich samych nazwach kolumn funkcja ta zawsze zwraca wszystkie wiersze wspólne dla `df1` i `df2`.

Działa nawet wtedy, gdy oba argumenty mają różną liczbę kolumn.

Dla dwóch tibli `df1` i `df2` funkcja ta zwraca wszystkie wiersze z pasującymi wartościami kluczy między `df1` a `df2`.

intersect() a inner_join()

Programowanie z dplyr

Interaktywne ćwiczenie praktyczne