دسته بندی

در حال حاضر محصولی در سبد خرید شما وجود ندارد.

پنل کاربری

رمز خود را فراموش کرده اید؟ اگر اولین بار است از سایت جدید استفاده میکنید باید پسورد خود را ریست نمایید.

آموزش دستکاری داده ها در زبان R

دانلود lynda Data Wrangling in R

10,900 تومان
بیش از یک محصول به صورت دانلودی میخواهید؟ محصول را به سبد خرید اضافه کنید.
افزودن به سبد خرید
خرید دانلودی فوری

در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.

ویدئو معرفی این محصول

با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با ویرایش داده ها در زبان R یاد می گیرید.

عنوان اصلی : Data Wrangling in R

این مجموعه آموزش ویدیویی محصول موسسه آموزشی lynda است که بر روی 1 حلقه دیسک به همراه فایلهای تمرینی ارائه شده و به مدت زمان 2 ساعت و 52 دقیقه در اختیار علاقه مندان قرار می گیرد.

در ادامه با برخی از سرفصل های درسی این مجموعه آموزش آشنا می شویم :


مقدمه:
آماده سازی داده ها
آنچه شما باید بدانید
فایل های ورزشی
1. داده های مرتب:
داده های مرتب چیست؟
متغیرها، مشاهدات، و مقادیر
مشکلات اطلاعات مشترک
با استفاده از tidyverse
2. کار با تظاهرات:
ساخت و چاپ تیبل
Subsetting Tibbles
فیلتر کردن تیبل
3. وارد کردن داده ها به R:
فایل های CSV چیست؟
وارد کردن فایل های CSV به R
فایل های TSV چیست؟
وارد کردن فایل های TSV به R
وارد کردن فایل های delimited به R
وارد کردن فایل های ثابت عرض به R
وارد کردن فایل های اکسل به R
خواندن داده ها از پایگاه های داده و وب
4. تبدیل داده ها :
گسترده در VS. مجموعه داده های طولانی
ساخت مجموعه داده های گسترده طولانی با pivot_longer ()
ساخت مجموعه داده های طولانی با pivot_wider ()
تبدیل انواع داده ها در R
کار با تاریخ و زمان در R
5. تمیز کردن داده ها:
تشخیص ناپایدار
گمشده و مقادیر ویژه در R
شکستن ستون های جداگانه با جداگانه ()
ترکیب ستون ها با Unite ()
دستکاری رشته ها در R با رشته
6. داده های مطالعه موردی: مصرف زغال سنگ:
درک مجموعه داده های ذغال سنگ
خواندن در مجموعه داده های ذغال سنگ
تبدیل مجموعه داده های ذغال سنگ از طولانی به عرض
بخش داده های ذغال سنگ
تجسم داده های زغال سنگ
7. داده های مطالعه موردی: کیفیت آب:
درک داده های کیفیت آب
خواندن در مجموعه داده های کیفیت آب
فیلتر کردن مجموعه داده های کیفیت آب
انواع داده های کیفیت آب
اصلاح خطاهای ورود داده ها
شناسایی و حذف ناپایدار
درجه حرارت تبدیل از فارنهایت به سلسیوس
گسترش داده های کیفیت آب
8. داده های مطالعه موردی: معلولیت اجتماعی:
درک داده های معلولیت اجتماعی اجتماعی
وارد کردن مجموعه داده های معلولیت اجتماعی
ساخت مجموعه داده های معلولیت اجتماعی طولانی مدت
فرمت های قالب بندی در مجموعه داده های معلولیت اجتماعی
سال مالی در مجموعه داده های معلولیت اجتماعی
گسترش مجموعه داده های معلولیت اجتماعی
تجسم داده های معلولیت اجتماعی اجتماعی
نتیجه گیری:
مراحل بعدی


Introduction :
Preparing for data wrangling
What you need to know
Exercise files

1. Tidy Data :
What is tidy data?
Variables, observations, and values
Common data problems
Using the tidyverse

2. Working with Tibbles :
Building and printing tibbles
Subsetting tibbles
Filtering tibbles

3. Importing Data into R :
What are CSV files?
Importing CSV files into R
What are TSV files?
Importing TSV files into R
Importing delimited files into R
Importing fixed-width files into R
Importing Excel files into R
Reading data from databases and the web

4. Data Transformation :
Wide vs. long datasets
Making wide datasets long with pivot_longer()
Making long datasets wide with pivot_wider()
Converting data types in R
Working with dates and times in R

5. Data Cleaning :
Detecting outliers
Missing and special values in R
Breaking apart columns with separate()
Combining columns with unite()
Manipulating strings in R with stringr

6. Data Wrangling Case Study: Coal Consumption :
Understanding the coal dataset
Reading in the coal dataset
Converting the coal dataset from long to wide
Segmenting the coal dataset
Visualizing the coal dataset

7. Data Wrangling Case Study: Water Quality :
Understanding the water quality dataset
Reading in the water quality dataset
Filtering the water quality dataset
Water quality data types
Correcting data entry errors
Identifying and removing outliers
Converting temperature from Fahrenheit to Celsius
Widening the water quality dataset

8. Data Wrangling Case Study: Social Security Disability :
Understanding the social security disability dataset
Importing the social security disability dataset
Making the social security disability dataset long
Formatting dates in the social security disability dataset
Fiscal years in the social security disability dataset
Widening the social security disability dataset
Visualizing the social security disability dataset

Conclusion :
Next steps