In this chapter, you'll revisit dplyr pipelines and enhance your column selection skills with helper functions and regular expressions.

Be fruitful and dplyr

select() vs. filter()

A great selection

Mutation necessary

Lending a helper hand

Don't get me started

See how that ended up

Finding our perfect match

Contain-ted love

Looking for matches

Hold Your Selected Leaders Accountable

Here, you'll learn how to move columns around in your data and perform the same transformation across multiple data columns. You'll also choose rows that match any or all column criteria.

Providing relocation assistance

Moving with select() and everything()

Rearranging with select() and last_col()

Shifting positions with relocate()

That has crossed the line

Mutate across multiple columns

Summarize across multiple variables

Combining count() with across()

Animal crossing: new rowwise's

across() vs. c_across()

Aggregations with rowwise()

One for any, one for all

Keep Them Dogies Movin’

For this section, you'll revisit dplyr joins. You'll then take this further by using set theory clauses to examine overlaps and differences between datasets.

Join together for fun

Join with me

Further investigations

Lines that intersect are without parallel

Intersect vs. inner join

Speeding through the intersection

Deliver the state of the union

Save the union

Sign up for your local union, all

A little too excepting

Checking for equal sets

Checking for differences

Set Theory Claus and The North Pole

In this final part of the course, you'll use rlang operators to turn arguments into variables and create functions that incorporate dplyr and ggplot2 code.

Büyük arıza(n) ne?

Bölgelere göre işsizlik oranları

Gruba göre medyan işsizlik oranları

Bang-bang!!

Seçenekler

Doğru

Yanlış

rlang operatörlerini eşleştirme

Bang bang odaya giriyor

Sallanır koltuğunda rlang’lemek

Sen bir walrus'sun

Bölge sonuçlarını analiz et

Harika bir ggplot oyunu

Çiz ve kurgula

Grafik başlığı derinleşiyor

Tebrikler!

Speaking a New rlang-uage

International Monetary Fund (IMF)

World Bank

tidyverse, verilerle çalışmayı basit ve hızlı hale getiren muazzam bir paket seti sunar. Peki hiç dplyr fonksiyonlarını kendi fonksiyonlarının içine koymayı deneyip garip hatalar veya beklenmedik sonuçlarla karşılaştın mı? Bu hatalar büyük olasılıkla tidy evaluation’dan kaynaklanıyordu ve bunu ele almak için biraz ekstra çalışma gerekir. Programming with dplyr kursunda, bu hataları rlang paketiyle çözmeye yönelik stratejilerle donanacaksın. Ayrıca Dünya Bankası ve Uluslararası Para Fonu verilerini kullanarak dünya genelindeki eğilimleri analiz ederken dplyr ile programlamaya dair başka teknikler de öğreneceksin. Kursun sonunda tidyverse fonksiyonu yazma konusunda adeta bir ninja olacaksın!

Joining Data with dplyr

Introduction to Writing Functions in R

Gelişmiş dplyr dönüşümlerini öğrenin ve dplyr ile ggplot2 kodunu fonksiyonlara dahil edin.

dplyr ile Programlama

Gelişmiş dplyr dönüşümlerini gerçekleştirmeyi ve dplyr ve ggplot2 kodunu işlevlere dahil etmeyi öğrenin.

rlang operatörlerini eşleştirme

dplyr ile Programlama

Uygulamalı etkileşimli egzersiz