آموزش Tidyverse R

سرفصل ها و درس ها

مقدمه Introduction

• خوش آمدی Welcome

• آنچه باید بدانید What you should know

• فایل های تمرینی Exercise files

1. شروع به کار با tidyverse 1. Getting Started with the tidyverse

• مرتب چیست؟ What is the tidyverse?

• چرا از Tidyverse استفاده می کنیم؟ Why use the tidyverse?

• نقاط قوت Strengths of the tidyverse

• R و RStudio را برای Tidyverse تنظیم کنید Set up R and RStudio for the tidyverse

• مرتب نگه دارید Maintain the tidyverse

• از مشکلات مربوط به plyr و dplyr جلوگیری کنید Prevent issues with plyr and dplyr

2. مرتب بودن با پروژه های RStudio 2. Being Tidy with RStudio Projects

• چرا باید از پروژه هایی در RStudio استفاده کنید؟ Why should you use projects in RStudio?

• صرفه جویی در خودکار خودکار RData را برای تکرارپذیری غیرفعال کنید Disable auto-saving of RData for reproducibility

• ایجاد یک پروژه جدید Create a new project

3. معرفی عامل>٪>٪ 3. Introducing the %>% Operator

• اپراتور٪>٪ چیست؟ What is the %>% operator?

• مشخص کنید که در کجا از٪٪ استفاده کنید Identify where to use %>%

• اهمیت٪>٪ Signficance of %>%

• گزینه های جایگزین برای٪>٪ Alternate options to %>%

4- وارد کردن ، اصلاح و فیلتر کردن داده ها 4. Importing, Modifying, and Filtering Data

• پوشه های داده خام و تمیز را جدا کنید Separate raw and clean data folders

• پرونده های Xlsx را با readxl در R وارد کنید Import .xlsx files with readxl in R

• پرونده های CSV را با خواننده به R وارد کنید Import .csv files with readr into R

• آیا این یک فریم داده است یا یک tibble؟ Is it a data frame or a tibble?

• داده ها را انتخاب و فیلتر کنید Select and filter data

• رشته ها را با جهش به تاریخ تبدیل کنید Convert strings to dates with mutate

• جدا کردن ستون ها در چند ستون Separating columns into multiple columns

• مقادیر NA را فیلتر کنید Filter out NA values

• فایلهای CSV را با خواننده صادر کنید Export .csv files with readr

• بعداً اشیاء .rdata را صادر کنید Export .rdata objects for later

5. جمع بندی و جدول بندی داده ها به صورت مرتب 5. Summarizing and Tabulating Data in the tidyverse

• داده های نمونه و اعتبارسنجی متقابل با dplyr Sample data and cross-validation with dplyr

• دسته بندی داده ها با گروه_بی Categorizing data with group_by

• تعداد اعضای زیر گروه را در گروههایی با n () قرار دهید Count members of subgroups within groups with n()

• مبالغ تجمعی و بیشتر: cumsum، cumall، and cumuman Cumulative sums and more: cumsum, cumall, and cumany

• خلاصه های گروهی ایجاد کنید Create group summaries

• به یاد داشته باشید که قبل از حرکت ، گروه را گروه بندی نکنید Remember to ungroup before moving on

6. داده های گسترده و طولانی 6. Wide and Long Data

• شناسایی داده ها گسترده یا طولانی است Identify if data is wide or long

• مزایای داده های طولانی (یا مرتب) The benefits of long (or tidy) data

• داده ها را از گسترده به طولانی تبدیل کنید Convert data from wide to long

• داده ها را از طولانی به گسترده تبدیل کنید Convert data from long to wide

7. ارزیابی () ، Select_ () ، !!! ، و ارزیابی غیر استاندارد را انتخاب کنید 7. select(), select_(), !!!, and Non-Standard Evaluation

• ارزیابی و برنامه نویسی غیر استاندارد با tidyverse Non-standard evaluation and programming with the tidyverse

• مقایسه گروه_بی و گروه_بی_ Compare group_by and group_by_

• ارزیابی مرتب ، وضع موجود و !! Tidy evaluation, quo, and !!

نتیجه Conclusion

• مراحل بعدی Next steps