Pipe In R: Anslutningsfunktioner med Dplyr

I den här handledningen får du lära dig hur du kopplar ihop funktioner med hjälp av röroperatören i programmeringsspråket R.

Det här är några av de grundläggande funktionerna i R:

Pipe In R: Anslutningsfunktioner med Dplyr

Dplyr i R kan ses som en grammatik för datamanipulation. Lägg märke till hur varje funktion är ett verb, och när de placeras tillsammans utgör de en form av kommando. Alla dessa funktioner är tänkta att fungera tillsammans.

Som visas i den sista raden i tabellen representeras röroperatören i R av %>% vilket gör att du kan koppla ihop funktioner.

I den här handledningen lär du dig hur du kör vanliga dplyr-funktioner och sedan använder pipe-operatorn för att koppla ihop dem.

Innehållsförteckning

Använda Pipe Operator In R för att förenkla koden

Öppna R-programmet. I det tomma skriptet måste du ringa in ett bibliotek med hjälp av tidyverse- och Lahman -biblioteken.

För det här exemplet, låt oss hitta vinsterna för varje lag sedan år 2000.

Pipe In R: Anslutningsfunktioner med Dplyr

Du kan skriva koden på flera sätt.

Det första är att kontinuerligt omplacera team. Du måste filtrera team efter års-ID och sedan gruppera dem efter team-ID. För att få medelvärden, min och max måste du användafungera.

När du kör R-koden får du en tabell som visar teamID, medelvärde, min och max.

Pipe In R: Anslutningsfunktioner med Dplyr

Den här koden innehåller dock för många tangenttryckningar.

Så låt oss försöka på ett annat sätt för att få resultaten på en gång, och det är genom att använda röroperatören.

Tangentbordsgenvägen för röroperatören är CTRL+SHIFT+M . Detta låter dig skicka ditt teams dataram till nästa steg.

Pipe In R: Anslutningsfunktioner med Dplyr

För koden behöver du inte omtilldela team till varje funktion. Du behöver bara använda röroperatorn mellan varje funktion för att överföra dataramen till hela koden.

När du kör den får du samma resultat som den tidigare metoden.

Pipe In R: Anslutningsfunktioner med Dplyr

Röroperatören låter dig effektivisera och förenkla din kod. Det tar dock lite tid att vänja sig vid att använda den här operatören. Men när du väl har förstått hur det fungerar blir det en lättare uppgift att skapa ett R-skript.

Göra ändringar i koden

Att använda en röroperatör gör det också lättare att göra ändringar i din R-kod.

Om du till exempel vill lägga till fler kommandon behöver du bara infoga en annan kodrad och kedja den till den befintliga koden med hjälp av röroperatorn.

Pipe In R: Anslutningsfunktioner med Dplyr

Tänk på att detta inte är att tilldela resultaten till ett objekt. Det är bara att ta teamets dataram och köra den genom dessa funktioner för att generera en utdata.

För att tilldela resultaten till ett objekt måste du använda piloperatorn ( <> ) .

Pipe In R: Anslutningsfunktioner med Dplyr

Slutsats

Pipeoperatorn låter dig effektivisera din kod i R. Det hjälper till att eliminera processen med att kontinuerligt behöva tilldela variabler och data genom hela ditt R-skript. Tillsammans med kolumnen och i tidyverse-biblioteket gör det det möjligt för användare att enkelt manipulera data i R.

Detta är en av fördelarna med att använda tidyverse-biblioteket. Det är ett utmärkt verktyg för användare som sysslar med statistik och datavetenskap.

Med vänliga hälsningar,

Leave a Comment

Skapa en datumtabell i LuckyTemplates

Skapa en datumtabell i LuckyTemplates

Ta reda på varför det är viktigt att ha en dedikerad datumtabell i LuckyTemplates och lär dig det snabbaste och mest effektiva sättet att göra det.

LuckyTemplates mobilrapporteringstips och tekniker

LuckyTemplates mobilrapporteringstips och tekniker

Denna korta handledning belyser LuckyTemplates mobilrapporteringsfunktion. Jag ska visa dig hur du kan utveckla rapporter effektivt för mobila enheter.

Professional Service Analytics-rapporter i LuckyTemplates

Professional Service Analytics-rapporter i LuckyTemplates

I denna LuckyTemplates Showcase går vi igenom rapporter som visar professionell serviceanalys från ett företag som har flera kontrakt och kundengagemang.

Microsoft Power Platform-uppdateringar | Microsoft Ignite 2021

Microsoft Power Platform-uppdateringar | Microsoft Ignite 2021

Gå igenom de viktigaste uppdateringarna för Power Apps och Power Automate och deras fördelar och konsekvenser för Microsoft Power Platform.

Vanliga SQL-funktioner: En översikt

Vanliga SQL-funktioner: En översikt

Upptäck några vanliga SQL-funktioner som vi kan använda som sträng, datum och några avancerade funktioner för att bearbeta eller manipulera data.

LuckyTemplates Skapa mall: Guide och tips

LuckyTemplates Skapa mall: Guide och tips

I den här handledningen kommer du att lära dig hur du skapar din perfekta LuckyTemplates-mall som är konfigurerad efter dina behov och preferenser.

Fältparametrar och små multiplar i LuckyTemplates

Fältparametrar och små multiplar i LuckyTemplates

I den här bloggen kommer vi att visa hur man lager fältparametrar med små multiplar för att skapa otroligt användbara insikter och bilder.

LuckyTemplates Rank och anpassad gruppering

LuckyTemplates Rank och anpassad gruppering

I den här bloggen kommer du att lära dig hur du använder LuckyTemplates ranknings- och anpassade grupperingsfunktioner för att segmentera en exempeldata och rangordna den enligt kriterier.

Visar kumulativ total endast upp till ett visst datum i LuckyTemplates

Visar kumulativ total endast upp till ett visst datum i LuckyTemplates

I den här handledningen kommer jag att täcka en specifik teknik kring hur man visar Kumulativ total endast upp till ett specifikt datum i dina bilder i LuckyTemplates.

Punktdiagram: Avancerade anpassade bilder för LuckyTemplates

Punktdiagram: Avancerade anpassade bilder för LuckyTemplates

Lär dig hur du skapar och anpassar punktdiagram i LuckyTemplates, som huvudsakligen används för att mäta prestanda mot mål eller tidigare år.