Kom igångKom igång gratis

Utforska IPEDS-data II

De flesta analyser kräver datarensning. Som tur är finns det många funktioner i tidyverse som underlättar rensning av dataramar. Till exempel tar funktionen drop_na() bort observationer med saknade värden. Som standard kontrollerar drop_na() alla kolumner efter saknade värden och tar bort alla observationer som har ett eller flera saknade värden.

miss_ex <- tibble(
             animal = c("dog", "cat", "rat", NA),
             name   = c("Woodruf", "Stryker", NA, "Morris"),
             age    = c(1:4))
miss_ex

miss_ex %>% 
     drop_na() %>% 
     arrange(desc(age))

# A tibble: 2 x 3
  animal    name   age
   <chr>   <chr> <dbl>
1    cat Stryker     2
2    dog Woodruf     1

Den här övningen är en del av kursen

Interaktiva kartor med leaflet i R

Visa kurs

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Remove colleges with missing sector information
ipeds <- 
    ipeds_missing %>% 
    ___()
Redigera och kör kod