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.

Introduction to qualitative variables

Recognizing factor variables

Qualitative variables in theory

Understanding your qualitative variables

Getting number of levels

Examining number of levels

Examining levels

Making better plots

Reordering a variable by its frequency

Ordering one variable by another

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.

Faktörleri yeniden sıralama

Faktör düzeylerinin sırasını değiştirme

fct_relevel() ipuçları

Faktör düzeylerini yeniden adlandırma

forcats işlevlerini ayırt etme

Birkaç seviyeyi yeniden adlandırma

Yazım hatası yaptığında

Faktör seviyelerini birleştirme

Düzeyleri elle birleştirme

Değişkenleri orana göre birleştirme

En yaygın düzeyleri koruma

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

Birkaç seviyeyi yeniden adlandırma

Tidyverse'te Kategorik Veriler

Uygulamalı etkileşimli egzersiz