Zacznij terazZacznij za darmo

Strona główna
Kursy
Przekształcanie danych z tidyr

Czym są porządne dane?

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

To ćwiczenie jest częścią kursu

Przekształcanie danych z tidyr

SkillTag.level.intermediateSkillTag.label

4.8+

Rozpocznij kurs za darmo

Poznasz koncepcję uporządkowanych danych, która jest fundamentem tego kursu. W pierwszych dwóch lekcjach od razu przejdziesz do praktyki – nauczysz się rozdzielać nieuporządkowane kolumny tekstowe na przejrzyste zmienne i obserwacje gotowe do analizy. W ostatniej lekcji dowiesz się, jak nadpisywać i usuwać brakujące wartości.

Exercise 1: Czym są porządne dane?

Bieżące ćwiczenie

Exercise 2: Struktura uporządkowanych danych Exercise 3: Wiele zmiennych w jednej kolumnie Exercise 4: Kolumny z wieloma wartościami Exercise 5: Międzynarodowe numery telefonów Exercise 6: Wyodrębnianie obserwacji z wartości Exercise 7: Rozdzielanie na kolumny i wiersze Exercise 8: Brakujące wartości Exercise 9: A Oscar za najlepszą reżyserię wędruje do ... <NA>Exercise 10: Uzupełnianie brakujących danych sprzedaży Exercise 11: Bomby jądrowe według kontynentów

Ten rozdział poświęcony jest przestawianiu danych z formatu szerokiego do długiego i z powrotem za pomocą funkcji `pivot_longer()` i `pivot_wider()`. Przyda ci się to, gdy zmienne są ukryte w nieuporządkowanych nagłówkach kolumn lub gdy zmienne są przechowywane w wierszach zamiast w kolumnach. Przy okazji dowiesz się czegoś o psach kosmonautach, bombach jądrowych i temperaturach planet.

Exercise 1: Z formatu szerokiego do długiego Exercise 2: Bomby nuklearne według kraju Exercise 3: Otyłość według krajów – dane WHO Exercise 4: Bond... James Bond Exercise 5: Wyprowadzanie zmiennych z nagłówków kolumn Exercise 6: Nowozelandzki ptak roku Exercise 7: Ceny akcji największych firm technologicznych Exercise 8: Wyodrębnianie zmiennych ze złożonych nagłówków kolumn Exercise 9: Radzieckie psy kosmiczne – perspektywa psa Exercise 10: Otyłość a oczekiwana długość życia – dane WHO Exercise 11: Rozwijanie obserwacji Exercise 12: Od danych długich do szerokich Exercise 13: Radzieckie psy kosmiczne – perspektywa lotów Exercise 14: Temperatura planet a odległość od Słońca Exercise 15: Transponowanie danych o planetach

W danych często brakuje wartości, a niekiedy całe obserwacje są nieobecne. W tym rozdziale nauczysz się uzupełniać zbiór danych o brakujące obserwacje. Dodasz obserwacje z wartościami zerowymi do zliczanych danych, rozszerzysz szeregi czasowe do pełnych sekwencji interwałów i wiele więcej!

Exercise 1: Tworzenie unikalnych kombinacji wektorów Exercise 2: Litery kodu genetycznego Exercise 3: Kiedy ludzie zastąpili psy w kosmosie?Exercise 4: Znajdowanie brakujących obserwacji Exercise 5: Uzupełnianie danych wszystkimi kombinacjami wartości Exercise 6: Uzupełnianie Układu Słonecznego Exercise 7: Zero medali olimpijskich Exercise 8: Tworzenie sekwencji za pomocą full_seq()Exercise 9: Najgorętszy rok zimnej wojny Exercise 10: Zaawansowane uzupełnianie danych Exercise 11: Olimpijskie medale na kontynent Exercise 12: Śledzenie wybuchu wirusa Exercise 13: Zliczanie osób w biurze

W ostatnim rozdziale nauczysz się przekształcać zagnieżdżone struktury danych – takie jak pliki JSON i XML – w uporządkowane, prostokątne dane. Ta umiejętność pozwoli ci przetwarzać dane z interfejsów API. Dowiesz się również, jak zagnieżdżone struktury danych można wykorzystać do tworzenia eleganckich potoków modelowania, które dają uporządkowane wyniki.

Exercise 1: Wprowadzenie do danych nierektagularnych Exercise 2: Pliki prostokątne i nieprostokątne Exercise 3: Prostowanie danych o filmach Star Wars Exercise 4: Od zagnieżdżonych wartości do obserwacji Exercise 5: Rozwijanie wszerz lub wzdłuż Exercise 6: Prostowanie danych o planetach z Gwiezdnych Wojen Exercise 7: Największe księżyce Układu Słonecznego Exercise 8: Wybieranie zagnieżdżonych zmiennych Exercise 9: Wydobywanie filmów Gwiezdnych Wojen za pomocą hoist Exercise 10: Wydobywanie ocen filmów Exercise 11: Zagnieżdżanie danych na potrzeby modelowania Exercise 12: Porządkowanie wyników modelu za pomocą broom Exercise 13: Zagnieżdżanie tibble Exercise 14: Modelowanie na zagnieżdżonych ramkach danych Exercise 15: Gratulacje!