I det här kapitlet går du igenom dplyr-pipelines och utvecklar dina kolumnvalsfärdigheter med hjälpfunktioner och reguljära uttryck.

Var produktiv med dplyr

select() vs. filter()

Ett bra urval

Nödvändig mutation

Hjälpfunktioner till räddningen

Inte det bästa urvalet

Se hur det slutade

Hitta vår perfekta matchning

Förälskad i contains()

Söker efter matchningar

Håll dina valda ledare ansvariga

Här lär du dig att flytta kolumner i dina data och tillämpa samma transformering på flera kolumner. Du väljer också rader som uppfyller ett eller flera kolumnkriterier.

Hjälp med omplacering

Flytta kolumner med select() och everything()

Omsortering med select() och last_col()

Ändra kolumnordning med relocate()

Det har gått över gränsen

Mutera flera kolumner på en gång

Sammanfatta över flera variabler

Kombinera count() med across()

Animal crossing: ny radvis bearbetning

across() vs. c_across()

Aggregeringar med rowwise()

En för något, en för alla

Håll kolumnerna i rörelse

I det här avsnittet går du igenom dplyr-joins. Du bygger vidare på det med mängdteoretiska operationer för att undersöka överlapp och skillnader mellan datamängder.

Joins för nöjets skull

Gå med mig i en join

Vidare undersökningar

Linjer som skär varandra är utan like

Alternativ

intersect()

inner_join()

intersect() vs. inner_join()

Rusar genom snittet

Leverera tillståndet av unionen

Rädda unionen

Gå med i facket – alla rader välkomna

Lite för mycket undantag

Kontrollera om mängderna är lika

Hitta skillnader

Mängdlära och överlappande data

I kursens sista del använder du rlang-operatorer för att omvandla argument till variabler och skapar funktioner som kombinerar dplyr- och ggplot2-kod.

Vad är ditt stora problem?

Arbetslöshet per region

Medianarbetslöshet per grupp

Bang-bang!!

Matcha rlang-operatorer

Bang bang in i rummet

Gunga loss med rlang

Du är valrossen

Analysera regionresultaten

En fantastisk ggplot-vändning

Planera och plotta

Plottiteln fördjupas

Grattis!

Lär dig tala rlang

World Bank

International Monetary Fund (IMF)

Tidyverse innehåller en kraftfull samling paket som gör det enkelt och snabbt att arbeta med data. Men har du någonsin försökt använda dplyr-funktioner inuti egna funktioner och fastnat i konstiga fel eller oväntade resultat? De felen berodde troligen på tidy evaluation, som kräver lite extra arbete. I kursen Programmering med dplyr får du verktyg för att lösa dessa fel med hjälp av rlang-paketet. Du lär dig även andra tekniker för att programmera med dplyr, och använder data från Världsbanken och Internationella valutafonden för att analysera globala trender. När kursen är slut skriver du tidyverse-funktioner med full kontroll.

Joining Data with dplyr

Introduction to Writing Functions in R

Lär dig avancerade dplyr-transformationer och använd dplyr- och ggplot2-kod i funktioner.

Programmering med dplyr

Lär dig att utföra avancerade dplyr-transformationer och använda dplyr- och ggplot2-kod i funktioner.

Fungerar bara om kolumnnamnen är identiska i de två tibblarna.

För två tibbar `df1` och `df2` med samma kolumnnamn returnerar den alltid alla rader som är gemensamma för `df1` och `df2`.

Fungerar även om de två argumenten har olika antal kolumner.

För två tibbar `df1` och `df2` returnerar den alla rader med matchande nyckelvärden mellan `df1` och `df2`.

intersect() vs. inner_join()

Programmering med dplyr

Interaktiv övning med praktiskt arbete