เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

สำรวจข้อมูล IPEDS ตอนที่ 2

การวิเคราะห์ส่วนใหญ่จำเป็นต้องจัดการข้อมูลก่อน โชคดีที่ tidyverse มีฟังก์ชันหลายตัวที่ช่วยทำความสะอาด data frame ตัวอย่างเช่น ฟังก์ชัน drop_na() จะลบแถวที่มีค่าที่หายไป (missing values) ออก โดยค่าเริ่มต้น drop_na() จะตรวจสอบทุกคอลัมน์ และลบแถวที่มีค่าหายไปอย่างน้อยหนึ่งค่าออกทั้งหมด

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

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Interactive Maps with leaflet in R

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Remove colleges with missing sector information
ipeds <- 
    ipeds_missing %>% 
    ___()
แก้ไขและรันโค้ด