还记得视频中的饮品配料数据吗？现在给您一个类似的数据集（drink_df），其中还包含数量和单位。您想要汇总每种配料需要购买多少，才能制作这些饮品。
drink_df
已为您预先加载 dplyr 包。
dplyr
本练习是课程的一部分
通过完成这段示例代码来试试这个练习。
drink_df %>% # Separate the ingredients over rows ___
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。
当前练习
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。
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。
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。