PowerApps-søkefelt: Slik legger du til og tilpasser
Lær hvordan du oppretter et PowerApps-søkefelt fra bunnen av og tilpasser det til å matche det overordnede temaet for appen din.
I tidligere opplæringsprogrammer lærte du om , og . For denne opplæringen vil du lære om datarammer i R.
Datarammer er i hovedsak vektorer kombinert sammen for å danne rader og kolonner med data.
En kolonne består av én vektor. Så i eksemplet ovenfor er den første kolonnen en strengkolonne, etterfulgt av en numerisk kolonne, og deretter av en logisk. Dette ligner på hvordan en tabell vil se ut i LuckyTemplates.
Du må også huske at for datarammer bør det være samme antall elementer for alle kolonner. Det vil si at det skal være et konsistent antall rader.
Når du bruker , vil du vanligvis jobbe med datarammer. Så det er viktig å forstå hva de er og hvordan de kan brukes.
Innholdsfortegnelse
Laster og viser en sendt dataramme
RStudio kommer allerede med tilsendte datarammer som du kan bruke. For å identifisere dem må du bruke datafunksjonen ( ) .
Åpne RStudio og Kjør data ( ) . Du trenger ikke sette noe argument i parentes.
Når du er ferdig, vil du se en liste over innebygde datasett i R som du kan bruke.
De er veldig nyttige for å øve og bli kjent med hvordan du bruker datarammer i R.
Det mest brukte innebygde datasettet er iris . Iris brukes ofte når du lærer datavitenskap eller dataanalyse generelt. Skriv ut iris slik at du kan se dataene i konsollen.
Du kan se at det er mye data. Når du ruller opp, vil du se at den er sammensatt av forskjellige kolonner.
Utforske datarammer i R ved å bruke funksjoner
En av måtene å se dataene bedre på er å bruke funksjonen view ( ) . Når du kjører kodevisningen (iris) , vil du se en ny fane som inneholder en tabell vises i RScript.
Det som gjør at visningen ( ) fungerer bedre er at du kan gjøre justeringer i tabellen. Du kan justere rekkefølgen på dataene ved å bruke pilene på hver kolonnetittel. Det er også en filterknapp.
Du kan også klikke på ikonet ved siden av filteret for å åpne dataene i et nytt vindu.
Dette nye vinduet ligner på hvor du kan se på dataene, men ikke berøre dem. Det vil si at du ikke kan legge inn eller erstatte verdier på toppen av eksisterende data.
En annen nyttig funksjon å vite er hodefunksjonen ( ) . Denne funksjonen skriver ut de første radene i datasettet.
Så hvis du kjører hode (iris) , vil du se at den bare skriver ut de seks første radene.
Dette er flott når du ønsker å forstå dataene dine bedre. Konsollen er ikke overveldet, og datapresentasjonen er penere.
Indeksering av datarammer
Indeksering ble også diskutert i en tidligere opplæring om vektorer. Du trenger bare å bruke hakeparenteser ( [ ] ) for å indeksere en posisjon. Siden datarammer er sammensatt av rader og kolonner, må du indeksere begge. Formatet er navn [rad, kolonne] .
Hvis du for eksempel vil indeksere den andre raden og den fjerde kolonnen i iris- datasettet, er det bare å kjøre iris [2, 4] .
Du kan også indeksere et rad- og kolonneområde. Alt du trenger er å bruke et kolon ( : ) for å angi rekkevidden. Her er et eksempel:
Du kan også indeksere en hel kolonne. Bruk dollartegnet ( $ ) etter datasettnavnet og angi kolonnenavnet du ønsker. Hvis du for eksempel vil indeksere hele kolonnen med navnet Arter, kjører du iris$Species .
Du vil da se at hele Arts-kolonnen er skrevet ut i konsollen.
Viser datarammestatistikk i R
Som du har lært i tidligere opplæringsprogrammer, ble R bygget for dataanalyse, statistikk og visualiseringer. Så en annen nyttig ting å lære om datarammer i R er hvordan man oppsummerer dem.
Når du bruker sammendragsfunksjonen ( ) , vil konsollen returnere sammendragsstatistikken for disse dataene.
Kjør sammendrag (iris) . Dette vil gi deg grunnleggende informasjon om datasettet når det gjelder beskrivende statistikk.
Det finnes andre pakker for å få mer oppsummerende statistikk som standardavvik og kurtosis. Men disse vil bli diskutert i etterfølgende opplæringsprogrammer.
Konklusjon
Du har lært komponentene til R gradvis. Først lærte du om objekter, deretter avanserte du med vektorer, frem til denne leksjonen om datarammer. Du har nå å gjøre med større og mer komplekse data.
Med datarammer er du nå bedre kjent med de forskjellige datasettene i R og lærte hvordan du kommer frem til grunnleggende statistikkinformasjon.
Du vil fortsette å lære gradvis etter hvert som de neste veiledningene tar for seg måter å størrelse opp og utforske større data i R.
Lær hvordan du oppretter et PowerApps-søkefelt fra bunnen av og tilpasser det til å matche det overordnede temaet for appen din.
Høst eller fang en verdi inne i et mål for å gjenbruke i et annet mål for dynamiske beregninger ved å bruke SELECTEDVALUE DAX i LuckyTemplates.
Oppdag hvordan versjonshistorikk i SharePoint kan hjelpe deg med å se utviklingen av bestemte data, og hvor mange endringer den har gjennomgått.
Her er et verktøy for å lage rapporter og grafikk, en sekskantkodevelger for farger som du kan bruke for enkelt å få fargene til LuckyTemplates-rapportene dine.
Du kan enkelt vise en datoperiode som en slicer i rapporten ved hjelp av en periodetabell. Bruk en M-kode for å lage den dynamiske datoskjæreren i LuckyTemplates.
Skulle dykke ned i frekvenstabeller i Excel samt proporsjonstabeller. Se nærmere på hva de er og når du skal bruke dem.
Lær hvordan du laster ned og installerer DAX Studio og Tabular Editor 3 og hvordan du konfigurerer dem for bruk i LuckyTemplates og i Excel.
Denne bloggen inneholder Shape Map-visualiseringen for romlig analyse i LuckyTemplates. Jeg viser deg hvordan du kan bruke denne visualiseringen effektivt med dens funksjoner og elementer.
I denne opplæringen viser jeg frem en unik idé rundt finansiell rapportering, som tildeler resultater for å forhåndsbestemme tabellmaler inne i LuckyTemplates.
Opprett DAX-mål i LuckyTemplates ved å bruke eksisterende mål eller formler. Dette er det jeg kaller tiltaket forgreningsteknikk.