In this chapter, you’ll learn all about factors. You’ll discover the difference between categorical and ordinal variables, how R represents them, and how to inspect them to find the number and names of the levels. Finally, you’ll find how forcats, a tidyverse package, can improve your plots by letting you quickly reorder variables by their frequency.

Nitel değişkenlere giriş

Faktör değişkenleri tanıma

Kuramsal olarak nitel değişkenler

Nitel değişkenlerini anlamak

Seviye sayısını elde etme

Seviye sayısını inceleme

Seviyeleri inceleme

Daha iyi grafikler oluşturma

Bir değişkeni frekansına göre yeniden sıralama

Bir değişkeni diğerine göre sıralama

Introduction to Factor Variables

You’ll continue to dive into the forcats package, learning how to change the order and names of levels and even collapse them into one another.

Reordering factors

Changing the order of factor levels

Tricks of fct_relevel()

Renaming factor levels

Distinguishing between forcats functions

Renaming a few levels

When you have a typo

Collapsing factor levels

Manually collapsing levels

Lumping variables by proportion

Preserving the most common levels

Manipulating Factor Variables

Having gotten a good grasp of forcats, you’ll expand out to the rest of the tidyverse, learning and reviewing functions from dplyr, tidyr, and stringr. You’ll refine graphs with ggplot2 by changing axes to percentage scales, editing the layout of the text, and more.

Examining common themed variables

Grouping and reshaping similar columns

Summarizing data

Creating an initial plot

Tricks of ggplot2

Editing plot text

Reordering graphs

Changing and creating variables with case_when()

case_when() with single variable

case_when() from multiple columns

Creating Factor Variables

In this final chapter, you’ll take all that you’ve learned and apply it in a case study. You’ll learn more about working with strings and summarizing data, then replicate a publication quality 538 plot.

Case study introduction

Changing characters to factors

Tidying data

Data preparation and regex

Cleaning up strings

Dichotomizing variables

Recreating the plot

Fixing labels

Flipping things around

Finalizing the chart

End of course recap

Case Study on Flight Etiquette

538 Flying Etiquette survey

Kaggle multiple choice responses

Bir veri bilimci olarak, sık sık meslek unvanları, anket yanıtları veya demografik bilgiler gibi sayısal olmayan verilerle çalışacaksın. R, bunları temsil etmenin özel bir yoluna sahiptir: faktörler. Bu kursta, tidyverse paketi forcats ile faktörlerle çalışmayı öğreneceksin. Ayrıca ggplot2, dplyr, stringr ve tidyr gibi diğer tidyverse paketleriyle de çalışacak ve fivethirtyeight uçuş veri seti ile Kaggle’ın State of Data Science and ML Survey gibi gerçek dünya veri kümelerini kullanacağız. Bu kursun sonunda, faktör değişkenlerini tanımlayıp dönüştürebilecek, verilerini hızlı ve verimli bir şekilde görselleştirebilecek ve sonuçlarını etkili biçimde aktarabileceksin. Hazır mısın? Haydi kategorize edelim!

Reshaping Data with tidyr

Kategorize etmeye hazır olun! Bu kursta, Tidyverse ile iş unvanları veya anket yanıtları gibi verilerle çalışacaksınız.

Tidyverse'te Kategorik Veriler

Sınıflandırmaya hazır olun! Bu kursta, Tidyverse ortamını kullanarak iş unvanları veya anket yanıtları gibi sayısal olmayan verilerle çalışacaksınız.

Tidyverse Temelleri in R

Kuramsal olarak nitel değişkenler

Tidyverse'te Kategorik Veriler

Uygulamalı interaktif egzersiz