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,


Vad är Power Query & M Language: En detaljerad översikt

Vad är Power Query & M Language: En detaljerad översikt

Denna handledning ger en översikt över Power Query Editor och M-språket på LuckyTemplates-skrivbordet.

Skapa en paginerad rapport: Lägga till texter och bilder

Skapa en paginerad rapport: Lägga till texter och bilder

Lär dig hur du skapar en sidnumrerad rapport, lägger till texter och bilder och sedan exporterar din rapport till olika dokumentformat.

SharePoint Automate-funktionen | En introduktion

SharePoint Automate-funktionen | En introduktion

Lär dig hur du använder SharePoint-automatiseringsfunktionen för att skapa arbetsflöden och hjälpa dig att mikrohantera SharePoint-användare, bibliotek och listor.

Lös en dataanalysutmaning med LuckyTemplates Accelerator

Lös en dataanalysutmaning med LuckyTemplates Accelerator

Finslipa dina färdigheter i rapportutveckling genom att gå med i en dataanalysutmaning. Acceleratorn kan hjälpa dig att bli en LuckyTemplates superanvändare!

Löpande summor i LuckyTemplates med DAX

Löpande summor i LuckyTemplates med DAX

Lär dig hur du beräknar löpande summor i LuckyTemplates med DAX. Löpande summor låter dig inte fastna i ett individuellt resultat.

LuckyTemplates Dax-variabler är konstanta: Vad betyder detta?

LuckyTemplates Dax-variabler är konstanta: Vad betyder detta?

Förstå konceptet med variabler i DAX inom LuckyTemplates och konsekvenserna av variabler för hur dina mått beräknas.

LuckyTemplates Slope Chart: En översikt

LuckyTemplates Slope Chart: En översikt

Lär dig mer om den anpassade visual som kallas LuckyTemplates Slope-diagram, som används för att visa ökning/minskning för en enstaka eller flera mätvärden.

LuckyTemplates färgteman för enhetliga visualiseringar

LuckyTemplates färgteman för enhetliga visualiseringar

Upptäck färgteman i LuckyTemplates. Dessa är viktiga för att dina rapporter och visualiseringar ska se ut och fungera sömlöst.

Beräkna medelvärde i LuckyTemplates: Isolera veckodags- eller helgresultat med DAX

Beräkna medelvärde i LuckyTemplates: Isolera veckodags- eller helgresultat med DAX

Att beräkna ett genomsnitt i LuckyTemplates kan göras på många sätt för att ge dig exakt information för dina affärsrapporter.

LuckyTemplates Theming | LuckyTemplates Desktop Standard Theming

LuckyTemplates Theming | LuckyTemplates Desktop Standard Theming

Låt oss fördjupa oss i Standard LuckyTemplates-teman och granska några av funktionerna som är inbyggda i själva LuckyTemplates Desktop-applikationen.