Pipe In R: Anslutningsfunktioner med Dplyr
I den här handledningen kommer du att lära dig hur du kopplar ihop funktioner med hjälp av dplyr-röroperatorn i programmeringsspråket R.
Redigera data i R med DataEditR-paketet
I den här handledningen kommer du att lära dig hur du redigerar data i R med DataEditR -paketet. .
DataEditR är ett R-paket som låter dig bygga instrumentpaneler och rapporter i R med hjälp av ett GUI. Sedan kommer vi att kunna peka-och-klicka, redigera och ange data. Du kan också ladda ner den från CRAN. Kolla in kursen för att veta hur du laddar ner paketet.
Låt oss gå igenom en kort demo. Det är en datamängd från CRAN där vi kan göra grundläggande dataredigeringsmanipulation och sedan spara den. Vi kommer att använda ett GUI för att göra det när R är ett kodningsverktyg.
Låt oss först starta upp RStudio, skriv i biblioteket (DataEditR) och tryck på Enter . Se till att du har den installerad om du inte har den.
Nästa skriv in browseVignettes (DataEditR) . Det är en bra funktion att köra eftersom det är här vi kan kontrollera handledningarna för detta paket.
Kör browseVignettes och klicka sedan på HMTL- länken.
Rulla ned för att se listan över DataEditR-handledningarna. Du kommer att lära dig hur du startar upp det, hur det fungerar, hur du importerar data till det och mer. Kolla in detta när du blir mer avancerad.
Låt oss gå tillbaka till RStudio och fokusera på dataredigeringselementen i detta paket.
Innehållsförteckning
Hur man redigerar data i R med DataEditR-paketet
Låt oss skriva in library(Ecdat ) följt av data(package = Ecdat), kör sedan det här paketet.
Dessa är R-datauppsättningarna i Ecdat . Det finns många affärsorienterade datamängder som är bra att använda för övningar eller demos.
För den här demon kommer vi att använda datauppsättningen Housing. Skriv in data_edit(Housing) för att öppna ett nytt fönster.
Nu är vi i Bostadsdataredigeraren. Vi kan även ladda upp en ny fil här.
Vi har några alternativ här. Den första är Välj kolumner .
Det här är knappar där vi kan välja vilken vi vill ha.
Nästa är filterraderna .
Vi kan filtrera siffror eller strängar och lägga till eller ta bort filter.
Nästa är alternativet Synkronisera . Den laddas tillbaka till vår initiala datauppsättning.
Låt oss nu gå vidare till de två alternativen för hur du sparar din data.
Alternativet Spara val till fil är för vissa saker vi behöver spara i vårt urklipp.
Vi kan också spara hela datamängden genom att klicka på alternativet Spara till fil .
Till exempel vill vi spara hela datamängden som en CSV-fil.
Högerklicka på en av cellerna i kolumnen för att se de olika alternativen. I det här exemplet väljer vi raden Infoga ovan .
Vi kan lägga in data i fälten. Detta är något som vi inte kan göra i Power Query.
Det finns fall då vi vill bygga en webbapp där människor kan ange sin data. Den skjuts rakt in i en R-fil, som går till vilken pipeline vi vill. Det är som ett front-end-verktyg.
Det är också lätt att ändra namnen på kolumner i DataEditR eftersom det bara är peka-och-klicka.
Till exempel vill vi redigera artikelhuvudet till n_stories . Allt vi behöver göra är att klicka på cellen och byta namn på den.
En annan funktion är att utöka och fylla flera siffror, datum eller till och med text till andra celler. Det liknar hur det fungerar i Excel.
Klicka på en cell, utöka och fyll till andra celler.
Välj sedan delar av datamängden och högerklicka för att ändra justeringen av cellerna.
Vi kan också använda alternativet Beskär till markering genom att markera cellerna och beskära de markerade cellerna.
Detta paket är under utveckling. Den stora fördelen är möjligheten att redigera data i R, särskilt att ändra kolumnnamnen och infoga en kolumn.
V1 är en standardplatshållare för kolumnnamn i R.
Nu klickar vi på Klar .
Detta är den ändrade datamängden. Vi kan också behålla en kopia genom att spara den.
Slutsats
Vi kan använda DataEditR-paketet för datainmatning på grund av dess Excel-liknande gränssnitt och dess peka-och-klicka och redigera-funktion.
R-verktyget är ett reproducerbart verktyg där alla ändringar är fullt redigerbara. Att använda GUI är dock inte det mest reproducerbara verktyget men det har sina egna fördelar med användargränssnittet.
Jag hoppas att du kan använda den här handledningen när du redigerar din egen data i R. Glöm inte att prenumerera på LuckyTemplates TV-kanal.
Med vänliga hälsningar,
RANKX Deep Dive: A Lucky Templates DAX-funktion
RANKX från LuckyTemplates låter dig returnera rankningen av ett specifikt nummer i varje tabellrad som utgör en del av en lista med nummer.
Extrahera LuckyTemplates-teman och bilder från PBIX
Lär dig hur du tar isär en PBIX-fil för att extrahera LuckyTemplates-teman och bilder från bakgrunden och använda den för att skapa din rapport!
Excel Formler Fuskblad: Mellanvägledning
Excel Formler Fuskblad: Mellanvägledning
LuckyTemplates Kalendertabell: Vad är det och hur man använder det
LuckyTemplates Kalendertabell: Vad är det och hur man använder det
Python i LuckyTemplates: Hur man installerar och ställer in
Lär dig hur du installerar programmeringsspråket Python i LuckyTemplates och hur du använder dess verktyg för att skriva koder och visa bilder.
Beräkna dynamiska vinstmarginaler – enkel analys av LuckyTemplates med DAX
Lär dig hur du beräknar dynamiska vinstmarginaler vid sidan av LuckyTemplates och hur du kan få fler insikter genom att gräva djupare i resultaten.
Sortering av datumtabellkolumner i LuckyTemplates
Lär dig hur du sorterar fälten från en utökad datumtabells kolumner korrekt. Detta är en bra strategi att göra för svåra fält.
Hitta dina bästa produkter för varje region i LuckyTemplates med DAX
I den här artikeln går jag igenom hur du kan hitta dina toppprodukter per region med hjälp av DAX-beräkningar i LuckyTemplates, inklusive TOPN- och CALCULATE-funktionerna.
Skräpdimension: Vad är det och varför det är allt annat än skräp
Lär dig hur du använder en skräpdimension för flaggor med låg kardinalitet som du vill infoga i din datamodell på ett effektivt sätt.