I denne vejledning lærer du, hvordan du redigerer data i R ved hjælp af DataEditR -pakken. .
DataEditR er en R-pakke, der giver dig mulighed for at bygge dashboards og rapporter i R ved hjælp af en GUI. Derefter vil vi være i stand til at pege-og-klikke, redigere og indtaste data. Du kan også downloade den fra CRAN. Tjek kurset for at vide, hvordan du downloader pakken.
Lad os gennemgå en kort demo. Det er et datasæt fra CRAN, hvor vi kan udføre grundlæggende dataredigeringsmanipulation og derefter gemme det. Vi bruger en GUI til at gøre det, når R er et kodningsværktøj.
Lad os først starte RStudio op, skrive i biblioteket (DataEditR), og trykke på Enter . Sørg for at have det installeret, hvis du ikke har det.
Indtast derefter browseVignettes (DataEditR) . Det er en god funktion at køre, fordi det er her, vi kan tjekke tutorials til denne pakke.
Kør browseVignettes, og klik derefter på HMTL- linket.
Rul ned for at se listen over DataEditR-øvelserne. Du vil lære om, hvordan du starter det op, hvordan det virker, hvordan du importerer data til det og mere. Tjek dette ud, efterhånden som du bliver mere avanceret.
Lad os gå tilbage til RStudio og fokusere på dataredigeringselementerne i denne pakke.
Indholdsfortegnelse
Sådan redigeres data i R ved hjælp af DataEditR-pakken
Lad os indtaste library(Ecdat ) efterfulgt af data(package = Ecdat), og kør derefter denne pakke.
Disse er R-datasættene i Ecdat . Der er en masse forretningsorienterede datasæt, som er gode at bruge til øvelse eller demoer.
Til denne demo skal vi bruge boligdatasættet. Indtast data_edit(Housing) for at åbne et nyt vindue.
Nu er vi i Boligdataeditoren. Vi kan også uploade en ny fil her.
Vi har et par muligheder her. Den første er de Vælg kolonner .
Det er knapper, hvor vi kan vælge, hvilken vi ønsker.
Den næste er filterrækkerne .
Vi kan filtrere tal eller strenge og tilføje eller fjerne filtre.
Dernæst er indstillingen Synkroniser . Det indlæses tilbage i vores indledende opsætning af datasæt.
Lad os nu gå videre til de to muligheder for, hvordan du gemmer dine data.
Indstillingen Gem valg til fil er til visse ting, vi skal gemme i vores udklipsholder.
Vi kan også gemme hele datasættet ved at klikke på indstillingen Gem til fil .
For eksempel vil vi gemme hele datasættet som en CSV-fil.
Højreklik på en af cellerne i kolonnen for at se de forskellige muligheder. I dette eksempel vælger vi Indsæt rækken ovenfor .
Vi kan indtaste data i felterne. Dette er noget, vi ikke kan gøre i Power Query.
Der er tilfælde, hvor vi ønsker at bygge en webapp, hvor folk kan indtaste deres data. Den skyder lige ind i en R-fil, som går til den pipeline, vi ønsker. Det er ligesom et front-end værktøj.
Det er også nemt at ændre navnene på kolonner i DataEditR, fordi det hele bare er peg-og-klik.
For eksempel ønsker vi at redigere historieoverskriften til n_stories . Alt vi skal gøre er at klikke på cellen og omdøbe den.
En anden funktion er at udvide og udfylde flere tal, datoer eller endda tekst til andre celler. Det ligner, hvordan det fungerer i Excel.
Klik på en celle, udvid og udfyld til andre celler.
Vælg derefter dele af datasættet, og højreklik for at ændre justeringen af cellerne.
Vi kan også bruge indstillingen Beskær til markering ved at fremhæve cellerne og beskære de valgte celler.
Denne pakke er under udvikling. Den store takeaway er muligheden for at redigere data i R, især at ændre kolonnenavnene og indsætte en kolonne.
V1 er en standardpladsholder for kolonnenavne i R.
Lad os nu klikke på Udført .
Dette er det ændrede datasæt. Vi kan også beholde en kopi ved at gemme den.
Konklusion
Vi kan bruge DataEditR-pakken til dataindtastning på grund af dens Excel-lignende grænseflade og dens peg-og-klik og rediger-funktion.
R-værktøjet er et reproducerbart værktøj, hvor enhver ændring er fuldt redigerbar. Brug af GUI er dog ikke det mest reproducerbare værktøj, men det har sine egne fordele ved brugergrænsefladen.
Jeg håber, du kan bruge denne tutorial, når du redigerer dine egne data i R. Glem venligst ikke at abonnere på LuckyTemplates tv-kanal.
Alt det bedste,
Denne blog indeholder LuckyTemplates TOPN DAX-funktionen, som giver dig mulighed for at få unik indsigt fra dine data, hvilket hjælper dig med at træffe bedre markedsføringsbeslutninger.
Find ud af, hvorfor det er vigtigt at have en dedikeret datotabel i LuckyTemplates, og lær den hurtigste og mest effektive måde at gøre det på.
Denne korte vejledning fremhæver LuckyTemplates mobilrapporteringsfunktion. Jeg vil vise dig, hvordan du kan udvikle rapporter effektivt til mobilenheder.
I denne LuckyTemplates Showcase gennemgår vi rapporter, der viser professionel serviceanalyse fra et firma, der har flere kontrakter og kundeengagementer.
Gå gennem de vigtigste opdateringer til Power Apps og Power Automate og deres fordele og implikationer for Microsoft Power Platform.
Opdag nogle almindelige SQL-funktioner, som vi kan bruge, såsom streng, dato og nogle avancerede funktioner til at behandle eller manipulere data.
I denne tutorial lærer du, hvordan du opretter din perfekte LuckyTemplates-skabelon, der er konfigureret til dine behov og præferencer.
I denne blog vil vi demonstrere, hvordan man lagdelte feltparametre med små multipler for at skabe utrolig nyttig indsigt og visuals.
I denne blog vil du lære, hvordan du bruger LuckyTemplates rangerings- og brugerdefinerede grupperingsfunktioner til at segmentere et eksempeldata og rangordne det efter kriterier.
I denne tutorial vil jeg dække en specifik teknik omkring, hvordan du kun viser Kumulativ Total op til en bestemt dato i dine visuals i LuckyTemplates.
