本章将介绍本课程的核心概念——整洁数据。前两节课，您将直接上手，把杂乱的字符列拆分为整洁的变量与观测，便于后续分析。最后一节课，您将学习如何覆盖与移除缺失值。

什么是整洁数据？

整洁数据结构

每列包含多个变量

包含多个值的列

国际电话号码

从取值中提取观测

拆分为列与行

缺失值

奥斯卡最佳导演得主是……<NA>

填补销售数据

各大洲核弹数量

整洁数据

本章将围绕使用 `pivot_longer()` 和 `pivot_wider()` 在宽表与长表之间进行转换。当变量被隐藏在凌乱的列名中，或变量被存放在行而非列中时，您就需要用到这些函数。在练习中，您还会顺带了解太空犬、核弹与行星温度等数据话题。

从宽表到长表数据

各国核爆数量

按国家统计的 WHO 肥胖率

邦德……詹姆斯·邦德

从列名推导变量

新西兰年度鸟类评选

大型科技股价

从复杂列名推导变量

苏联太空犬：以狗为单位的视角

WHO 肥胖率与预期寿命

展开计数的观测值

从长格式到宽格式数据

苏联太空犬：从飞行视角看

行星温度与到太阳的距离

行列转换：行星数据

宽表与长表之间的转换

数据中经常会有缺失值，有时甚至整条观测都会缺失。本章将带您用缺失的观测来补全数据集。您会为计数数据添加取值为 0 的观测，扩展时间序列到完整的区间序列，等等。

创建向量的唯一组合

遗传密码的字母

人类是哪一年开始取代狗进入太空的？

查找缺失的观测值

用所有取值组合补全数据

补全太阳系数据

零枚奥运奖牌

使用 full_seq() 创建序列

冷战最"热"的一年

高级补全

各大洲的奥运奖牌数

追踪病毒暴发

统计办公室在岗人数

扩展数据

最后一章，您将学习如何把 JSON、XML 等嵌套数据结构转换为整洁的"矩形"数据。这项技能能帮助您处理来自 Web API 的数据。您还将学习如何利用嵌套数据结构编写优雅的建模流程，并产生成整洁的输出。

非矩形数据简介

矩形与非矩形文件

将《Star Wars》电影转为表格数据

把嵌套值整理为观测

展开为宽或长

为《星球大战》的行星做整矩化

太阳系中最大的卫星

选择嵌套变量

提取 Star Wars 影片

提升电影评分

为建模而嵌套数据

用 broom 整理模型输出

嵌套 tibble

在嵌套数据框上建模

恭喜您！

矩形化数据

Nuclear explosions data

ANSUR II data

Planet data

Star Wars data

Olympic medals data

Netflix data

真实世界的数据常常令人头疼——当面对一个复杂又凌乱的数据集时，您可能会想：该从哪里下手？tidyr 包可以把这些"猛兽"整理成整洁的数据集。那些藏在列名里的不可访问取值会被放回到行里，JSON 文件会变成数据框，缺失值也将得到妥善处理。您将把这些技术应用到各类杂乱的数据集上，并在过程中了解苏联送上太空的狗有多少、以及新西兰最受欢迎的鸟是什么。把 tidyr 加入您的 tidyverse 工具箱后，您几乎可以把任何数据集转换为整洁格式，为后续分析打下良好基础。

Data Manipulation with dplyr 

将几乎任何数据集转换为整洁格式，以简化分析。

使用 tidyr 重塑数据

将几乎任何数据集转换为整洁格式，让分析更轻松。

数据处理  在 R 中

导入与清洗数据  在 R 中

Tidyverse 基础知识 在 R 中

Head of Machine Learning, Faktion

滚石乐队与披头士

初始与目标状态

complete() 函数

complete()：覆盖 NA 值

complete()：添加未出现的取值

用 full_seq() 生成序列

在 complete() 中使用 full_seq()

用 full_seq() 生成日期序列

¡Vamos a practicar!

扩展数据 - 用所有取值组合补全数据

用所有取值组合补全数据

Create Your Free Account