Vad är ett predikat?

En predikatfunktion är "en funktion som returnerar antingen TRUE eller FALSE." En predikatfunktional däremot "tar en vektor och en predikatfunktion och gör något användbart med dem."^***

Med andra ord tar predikatfunktionaler emot .x – en vektor, en dataframe eller en lista – och testar predikatet på varje element i .x. Du kan till exempel kontrollera om varje element är numeriskt med predikatet is.numeric() från bas-R, eller om medelvärdet av vissa element är under 5 med den här mappern: ~mean(.x) < 5.

Vilken av dessa funktioner är INTE ett predikat?

Den här övningen är en del av kursen

Funktionell programmering på mellannivå med purrr

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Funktionell programmering på mellannivå med purrr

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

Känns lambdafunktioner, mappers och predikat krångliga? Inga problem! Efter en snabb repetition av purrr dyker vi ner i grunderna för funktionell programmering, utforskar anonyma funktioner och predikat, och ser hur de kan användas för att rensa och utforska data.

Exercise 1: purrr-grunderna – en repetition Exercise 2: Fräscha upp minnet om purrr Exercise 3: Ytterligare en purrr-repetition Exercise 4: Introduktion till mappers Exercise 5: Skapa lambda-funktioner Exercise 6: Lambdafunktioner Exercise 7: Använd mappers för att rensa dina data Exercise 8: Städa upp dina data med keep Exercise 9: Dela upp med keep() och discard()Exercise 10: Predikat Exercise 11: Vad är ett predikat?

Aktuell övning

Exercise 12: Utforska data med predikat

Redo att gå djupare in i funktionell programmering och purrr? I det här kapitlet utforskar vi begreppet funktionell programmering, hanterar fel med hjälp av safely() och possibly(), och introducerar funktionen compact() för renare kod.

Exercise 1: Funktionell programmering i R Exercise 2: Allt som händer är ett funktionsanrop Exercise 3: Identifiera rena funktioner Exercise 4: Verktyg för funktionell programmering i purrr Exercise 5: Säkra iterationer Exercise 6: Skapa en funktion Exercise 7: Använda possibly()Exercise 8: En possibly()-version av read_lines()Exercise 9: Allt i ett anrop Exercise 10: Hantera adverbresultat Exercise 11: Purrrfecting our function Exercise 12: Extrahera statuskoder med GET()

I det här kapitlet använder vi purrr för att skriva kod som är tydligare, renare och lättare att underhålla. Vi lär oss skriva eleganta funktioner med compose() och negate(). Vi använder också partial() för att komponera funktioner genom att "förfylla" argument från befintliga funktioner. Avslutningsvis introducerar vi listkolumner – en praktisk datastruktur som hjälper oss skriva ren kod med Tidyverse.

Exercise 1: Varför renare kod?Exercise 2: Hur man skriver compose()Exercise 3: Tillbaka på kontoret Exercise 4: Bygg funktioner med compose() och negate()Exercise 5: Bygg en funktion Exercise 6: Räkna NA-värden Exercise 7: Förifyllda funktioner Exercise 8: En innehållsextraherare Exercise 9: Ännu en extraktor Exercise 10: Listkolumner Exercise 11: Om listkolumner Exercise 12: Skapa en data.frame med listkolumn

Vi samlar allt vi vet om purrr i en fallstudie. Här använder vi purrr för att analysera data som skrapats från Twitter. Med hjälp av ren kod organiserar vi datan och identifierar Twitter-influencers från RStudio-konferensen 2018.

Exercise 1: Utforska datamängden Exercise 2: Lek med tweets, omgång 1 Exercise 3: Identifiera profiler Exercise 4: Extrahera information från datamängden Exercise 5: Räkna favoriter Exercise 6: Extrahera omnämnanden Exercise 7: Manipulera URL:er Exercise 8: Analysera URL:er Exercise 9: Att arbeta med URL:er Exercise 10: Identifiera influencers Exercise 11: Dela upp datamängden Exercise 12: Vi har en vinnare!Exercise 13: Grattis!