Programlama öğreticileri - sayfa 9
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
R'de NBA Verilerini Kullanan SQL Select İfadeleri
R'de NBA Verilerini Kullanan SQL Select İfadeleri
Hey Millet! R programlama dili ile ilgili bu videoya hoş geldiniz. Bu öğreticide, R kullanarak SQL'den SELECT deyimlerini çalıştırmayı keşfedeceğiz ve NBA (Ulusal Basketbol Birliği) verileriyle çalışacağız. Öyleyse, hemen dalalım!
Yapmamız gereken ilk şey SQL paketini yüklemek. Henüz yüklemediyseniz, 'install.packages("sqldf")' komutunu çalıştırarak kurabilirsiniz. Zaten yüklediğim için, 'library(sqldf)' kullanarak paketi yükleyeceğim.
Ardından, Excel dosyalarını okumamızı sağlayan 'xlsx' paketini yükleyeceğiz. Henüz yüklemediyseniz, bunu 'install.packages("xlsx")' ile yapabilirsiniz. Kurduğum için 'library(xlsx)' kullanarak yükleyeceğim.
Artık her iki paketi de yüklediğimize göre, Cavaliers (Cavs) verilerini okumaya geçelim. Cavs bir NBA takımı ve oyuncu verilerini sorgulayacağız. Verileri bir Excel dosyasından okumak için 'read.xlsx' işlevini kullanacağız. Bu durumda, veriler C sürücümde saklanıyor, bu yüzden dosya yolunu buna göre belirleyeceğim. Örneğin, 'C:/Desktop/data.xlsx'. Ek olarak, sayfa adını 'Sayfa1' olarak belirteceğiz.
Verileri başarıyla okuduktan sonra 'Cavs' veri çerçevesinin yapısını inceleyebiliriz. 17 gözlem (satır) ve 9 değişkenden (sütun) oluşur. Değişkenler arasında oyuncu adları, pozisyonlar, boylar, ağırlıklar, doğum tarihleri, yaşlar, deneyim ve devam edilen okullar bulunur.
Verileri temizlemek için, ilgilenilen belirli sütunları seçeceğiz ve bunları 'Cavs_cleaned' adlı yeni bir veri çerçevesinde saklayacağız. Biçimlendirme sorunları içerdikleri ve analizimizle ilgili olmadıkları için "yükseklik" ve "uzmanlık" sütunlarını hariç tutacağız.
Artık veriler temizlendiğine göre, 'sqldf' işlevini kullanarak SQL SELECT deyimlerini çalıştırmaya başlayabiliriz. 'Cavs' tablosundan tüm sütunları seçerek başlayalım. Tablodaki tüm satırları ve sütunları almak için 'SELECT * FROM Cavs' ifadesini kullanacağız.
Ardından, 'Cavs' tablosundan sadece 'player' ve 'school' sütunlarını seçeceğiz. Bu, 'Cavs'tan oyuncu, okul SEÇ' SQL ifadesi kullanılarak yapılabilir.
Aşağıdaki sorguda, isimleri 'I' harfi ile başlayan tüm oyuncuları seçeceğiz. Bunu başarmak için 'SELECT * FROM Cavs WHERE player LIKE "I%"' SQL deyimini kullanacağız. '%' Sembolü, oyuncu adlarında 'I' harfinden sonra gelen tüm karakterlerle eşleşen bir joker karakter görevi görür.
Spesifik bilgileri almak için LeBron James'in yaşını ve kilosunu seçelim. Yaşını ve kilosunu 'Cavs' tablosundan elde etmek için 'SELECT age, weight FROM Cavs WHERE player = "LeBron James"' SQL ifadesini kullanacağız.
Şimdi, takım kadrosundaki her benzersiz yaş için oyuncu sayısını sayalım. Bunu başarmak için 'SELECT age, COUNT(age) FROM Cavs GROUP BY age' SQL deyimini kullanacağız. Sonuç, her benzersiz yaşı ve karşılık gelen oyuncu sayısını gösterecektir.
Oyuncuları yaşlarına göre sıralamak için 'SELECT player, age FROM Cavs ORDER BY age DESC' SQL ifadesini kullanacağız. Bu, oyuncuları yaşlarına göre en yaşlıdan en gence doğru sıralayacaktır.
Son olarak, sadece 28 yaşından büyük guardları ('G' pozisyonundaki oyuncular) seçelim. Bunu 'SELECT player, position, age FROM Cavs WHERE position = "G" AND age > 28 SQL ifadesini yürüterek elde edebiliriz. '.
Videonun bundan sonraki bölümünde Cavs kadrosunda bazı veri filtreleme ve toplama işlemleri yapacağız. O halde içine dalalım.
Ağırlığı 220 pound'dan fazla olan tüm oyuncuları seçerek başlayalım. Bunu SQL WHERE yan tümcesini kullanarak başarabiliriz. İşte kod:
heavy_players <- SQLDF("SELECT * FROM Cavs WHERE weight > 220")
Bu sorguyu yürüterek, ağırlığı 220 pound'u aşan oyuncuların bilgilerini içeren heavy_players adlı yeni bir veri çerçevesi alıyoruz. Sonuçları analiz etmek için bu veri çerçevesini daha fazla inceleyebilirsiniz.
Şimdi verileri toplamaya geçelim. Cavs kadrosundaki oyuncuların yaş ortalamasını hesaplayacağız. Bunu şu şekilde yapabilirsiniz:
average_age <- SQLDF("SELECT AVG(age) AS average_age FROM Cavs")
Bu sorguyu çalıştırmak bize averaj_age değişkenindeki tüm oyuncuların yaş ortalamasını veren bir sonuç verir. Yazdırabilir veya daha fazla hesaplama için kullanabilirsiniz.
Ardından, oyuncular arasındaki maksimum ağırlığı bulalım. Bu amaçla SQL MAX() işlevini kullanabiliriz:
max_weight <- SQLDF("SELECT MAX(weight) AS max_weight FROM Cavs")
Bu sorgu, Cavs tablosundan maksimum ağırlığı alır ve bunu max_weight değişkeninde saklar.
Şimdi yaşları 25 ile 30 arasında olan oyuncuları seçmek için verileri filtreleyelim. İşte kod:
young_players <- SQLDF("SELECT * FROM Cavs WHERE age BETWEEN 25 AND 30")
Bu sorgunun yürütülmesi, belirtilen yaş aralığındaki oyuncuların bilgilerini içeren, young_players adlı yeni bir veri çerçevesi oluşturur.
Son olarak, oyuncuları boylarına göre artan sırada sıralayalım:
sorted_players <- SQLDF("SELECT * FROM Cavs ORDER BY height ASC")
Bu sorguyu çalıştırarak, boylarına göre artan sırada sıralanan oyuncuları içeren sorted_players adlı bir veri çerçevesi elde ederiz.
Bu, NBA Cavs verilerinde R programlama dilini kullanan SQL sorguları gösterimimizi tamamlıyor. Umarım bu videoyu bilgilendirici ve faydalı bulmuşsunuzdur. Herhangi bir sorunuz veya öneriniz varsa, lütfen aşağıdaki yorumlar bölümünde bana bildirin. Daha fazla R programlama eğitimi ile güncel kalmak için beğenmeyi, paylaşmayı ve abone olmayı unutmayın. İzlediğiniz için teşekkürler, bir sonraki videoda görüşmek üzere!
Twitter Madenciliği Tweetleri R'de Çıkarma
Twitter Madenciliği Tweetleri R'de Çıkarma
Hey millet, kendi aracımızla Twitter madenciliği ile ilgili bu videoya hoş geldiniz. Burada, kendi Twitter geliştirici hesabınızı oluşturmanıza ve RStudio kullanarak tweet madenciliği yapmaya başlamanıza yardımcı olacak bir makale yazdığım Medium.com adlı bir web sitesindeyim. Bu videoda, makalede belirtilen adımların üzerinden geçeceğiz, böylece Twitter madenciliğine kendiniz başlayabilirsiniz. Makalenin bağlantısını aşağıdaki açıklamaya eklediğinizden emin olacağım, böylece onu okuyabilir ve takip edebilirsiniz.
Öncelikle ön koşullardan bahsedelim. Başlamak için RStudio'ya ve bir Twitter uygulama hesabına ihtiyacınız olacak. Ek olarak, bir Twitter geliştirici hesabına ihtiyacınız olacak. Makale, Twitter uygulamanızı nasıl kuracağınızla ilgili ayrıntılı talimatlar sağlar, bu yüzden kontrol ettiğinizden emin olun. Bu hesapları oluşturduktan sonra sonraki adımlara geçebiliriz.
Ardından, gerekli R paketlerini kurmamız ve yüklememiz gerekiyor. Makale, bu işlem için ihtiyaç duyacağınız belirli paketleri listeler. Devam etmeden önce bunları RStudio'ya kurduğunuzdan ve yüklediğinizden emin olun.
Bundan sonra, Twitter kimlik doğrulamasını ayarlayacağız. Yine makale, bunun nasıl yapılacağına ilişkin adım adım talimatlar sağlar. RStudio ortamınızın kimliğini Twitter API ile doğrulamak için yönergeleri izleyin. Bu kimlik doğrulama işlemi, Twitter'ın verilerine erişmek için çok önemlidir.
Son olarak, Twitter arama işlevini kullanarak tweet'leri çıkaracağız. Videoda, önceden yapılandırılmış bir RStudio ortamı kullanacağız, böylece tüm kurulum sürecini gerçekleştirmemize gerek kalmayacak. Twitter arama işlevini doğrudan çalıştırabiliriz.
Arama Twitter işlevi birkaç parametre alır. İlk olarak, aramak istediğimiz anahtar kelimeyi veya konuyu temsil eden arama dizesini belirliyoruz. Almak istediğimiz satır veya tweet sayısını ve tweetlerin dilini de tanımlarız. Videoda, örnek NBA tweet'lerini arar.
Twitter arama işlevini yürüttüğümüzde, verilen arama kriterleriyle ilgili belirtilen sayıda tweet'i alır. Video, alınan üç tweet'i görüntüler. Kış Olimpiyatları veya "Kara Panter" filmi gibi farklı konuları keşfetmek için arama kriterlerini değiştirebiliriz. Twitter arama işlevi, tweet'leri çıkarmamıza ve daha fazla analiz etmemize olanak tanır.
Ayıklanan tweet'leri bir CSV veya metin dosyasına kaydederek, duygu analizi de dahil olmak üzere çeşitli analizler yapabilirsiniz. Örneğin, insanların Bitcoin'e veya başka herhangi bir ilgi konusuna olan duyarlılığını analiz edebilirsiniz.
Bu, Twitter arama işlevini ve RStudio kullanarak Twitter madenciliğinin temellerini gösteren gösterimimizi sonlandırıyor. Bu videoyu yararlı bulduysanız, lütfen aşağıdaki yorumlarda bana bildirin. Twitter madenciliği ile ilgili daha fazla video için beğenmeyi, paylaşmayı ve kanalıma abone olmayı unutmayın. İzlediğiniz için teşekkürler, bir sonraki videoda görüşmek üzere!
Duyarlılık Analizi R Programlama
Duyarlılık Analizi R Programlama
Hey millet, Art programlama diliyle ilgili bu videoya hoş geldiniz. Bu videoda heyecan verici bir konuyu keşfedeceğiz: duygu analizi. Duygu analizi, bir metin parçasında ifade edilen görüşleri sayısal olarak belirleme ve kategorize etme sürecidir. Yazarın konuya karşı tutumunun olumsuz mu, tarafsız mı yoksa olumlu mu olduğunu belirlememizi sağlar. O halde hemen dalışa geçelim ve başlayalım!
İlk yapmamız gereken duyarlılık analizi için gerekli paketi kurmak. Gerekli paketi kurmak için install.packages("hislerimiz") komutunu kullanabilirsiniz. Zaten yüklediğim için, bu komutu çalıştırmayı atlayacağım. Daha sonra, kütüphane(bizim duygumuz) işlevini kullanarak "duygularımız" paketini yükleyeceğiz.
"Duygularımız" paketi, çeşitli yararlı işlevler sağlar. Bunlardan bir tanesi hesap_total_varlık_duyarlılığı olarak adlandırılır. Metin cümlelerinin bir vektörünü analiz etmek için bu işlevi kullanacağız. Bu örnekte şu cümleleri kullanacağım: "Bu iyi bir metin", "Bu kötü bir metin", "Bu gerçekten kötü bir metin" ve "Bu korkunç." Vektöre girip komutu çalıştırdıktan sonra, cümlelerden üçünün olumsuz, yalnızca birinin olumlu duyguya sahip olduğunu gözlemleyebiliriz.
Şimdi, hangi cümlenin hangi duyguya karşılık geldiğini belirlemek için, hesap_duyarlılık işlevini kullanabiliriz. Önceki komutu kopyalayıp tekrar çalıştırarak, metin ile onun duygusu arasında net bir eşleme elde ederiz. Bu durumda “Bu iyi bir metindir” olumlu olarak sınıflandırılır.
Duyarlılık etiketleri yerine sayısal değerleri tercih ediyorsanız, hesapla_skor işlevini kullanabilirsiniz. Komutu kopyalayıp çalıştırarak, her cümle için karşılık gelen puanları elde ederiz. Bu örnekte, tüm cümlelerin negatif puanı -1'dir.
Art programlama dilinde duyarlılık analiziyle ilgili bu videoyu umarım ilginç bulmuşsunuzdur. Herhangi bir sorunuz veya yorumunuz varsa, lütfen bunları aşağıya bırakın. Videoyu beğenmeyi, abone olmayı ve faydalı bulduysanız paylaşmayı unutmayın. İzlediğiniz için teşekkürler, bir sonraki videoda görüşmek üzere!
R nasıl kurulur ve R Studio kurulur. R studio nasıl kullanılır | Yeni başlayanlar için R programlama
R nasıl kurulur ve R Studio kurulur. R studio nasıl kullanılır | Yeni başlayanlar için R programlama
Bu videoda, R'yi indirme ve kurma sürecini ele alacağız. Ek olarak, RStudio'nun indirilmesi ve kurulumu ile birlikte nasıl kullanılacağına dair kısa bir giriş yapacağız. R programlama öğrenmekle ilgileniyorsanız, doğru yere geldiniz. Bu YouTube kanalı, çeşitli konuları kapsayan çok çeşitli R programlama videoları sunar.
R'nin indirilmesi ve yüklenmesi ile başlayalım. Bu nispeten basit bir işlemdir, ancak onu nerede bulacağınızı bilmek önemlidir. R'yi indirmek için R Project web sitesini (r-project.org) ziyaret etmeniz gerekir. Web sitesine girdikten sonra, "R'yi İndir" seçeneğine tıklayın. Daha sonra indirme konumunuzu seçmeniz istenecektir. Örneğin, İrlanda'daysanız, İrlanda seçeneğini belirleyebilirsiniz. Bir Apple Mac kullandığınız için R for Mac'i indirme seçeneğini seçin. En son sürümü indirdiğinizden emin olun. İndirme işlemi tamamlandıktan sonra, diğer herhangi bir yazılım uygulaması gibi R'yi kurun.
R'yi indirip kurduktan sonra, RStudio'yu indirip kurmanızı tavsiye ederim. Bence RStudio, R kodu yazmak için en iyi platform. RStudio'yu edinmek için RStudio web sitesini ziyaret edin ve "RStudio'yu İndir" seçeneğine tıklayın. Ücretli sürümler öncelikle kurumsal kullanım için olduğundan, RStudio'nun ücretsiz sürümünü indirip yükleyebilirsiniz. Bilgisayarınız için uygun platformu seçin (bu durumda Mac). İndirme işlemi tamamlandıktan sonra, diğer herhangi bir yazılım uygulaması gibi RStudio'yu kurun.
RStudio'yu başlattığınızda, RStudio arayüzü ile karşılaşacaksınız. Aşina olmanıza yardımcı olmak için, arayüzün dört çeyreğini kısaca tartışalım. Sol üstte, R kodunuzu yazdığınız kod düzenleyiciyi bulacaksınız. Bu örnekte, tek bir kod satırı yazdım. Kodu çalıştırdığınızda, konsol adı verilen sol alt kadranda görünecektir. Kod herhangi bir çıktı üretirse, konsolda da görüntülenecektir.
Kodu çalıştırmak için satırı seçin ve Mac'te "Command + Enter" tuşlarına basın (kısayol PC'de değişebilir). Konsolda yürütülen kodu göreceksiniz. Çeyreklerden herhangi birini yakınlaştırmak için, koda odaklanmak için "Shift + Control + 1" veya dört kadranın tümünü görüntülemek için "Shift + Control + 0" gibi klavye kısayollarını kullanabilirsiniz.
Sağ üst çeyreğe ilerlediğinizde ortamı bulacaksınız. Bu, R oturumunuz sırasında oluşturulan nesnelerin ve işlevlerin görüntüleneceği yerdir. Nesneler, bir değişkene veri atayarak oluşturulabilir. Örneğin, bir CSV dosyasını okuma sonucunu "verilerim" değişkenine atayarak bir nesne oluştururuz. Ortamı yakınlaştırmak için "Shift + Control + 8" kısayolunu kullanın.
Son olarak, sağ alt çeyrek, "Dosyalar", "Çizimler", "Paketler" ve "Yardım" gibi çeşitli sekmeler içerir. "Dosyalar" sekmesi, sabit sürücünüzde gezinmenizi ve dosya ve klasörlere erişmenizi sağlar. "Grafikler" sekmesi, R oturumunuz sırasında oluşturulan grafikleri veya görselleştirmeleri görüntüler. "Paketler" sekmesi, R'nin işlevselliğini artıran ek paketleri kurmanın ve yönetmenin bir yolunu sunar. Paketleri başka bir videoda daha ayrıntılı olarak ele alacağız. Son olarak, belirli işlevler veya komutlar hakkında bilgiye ihtiyaç duyduğunuzda "Yardım" sekmesi değerli bir kaynaktır. "?t.test" gibi bir fonksiyon adını başına soru işareti koyarak yazarak detaylı bilgilere ve örneklere ulaşabilirsiniz.
RStudio'ya bu kısa girişle, hem R hem de RStudio'yu indirirken ve kurarken kendinizi rahat hissedeceksiniz. Öğrenilecek daha çok şey var ve bir sonraki videoda verileri içeri aktarmayı, paketleri kurmayı, temel analiz yapmayı ve bir proje başlatmayı ele alacağız. Daha heyecanlı içerikler için takipte kalın. Gelecek videolardan haberdar olmak için bu kanala abone olmayı ve bildirim ziline tıklamayı unutmayın.
Yeni başlayanlar için R programlama - Neden R kullanmalısınız?
Yeni başlayanlar için R programlama - Neden R kullanmalısınız?
Ücretsiz ve açık kaynaklı programlama dili olan R, muazzam bir popülerlik kazandı ve veri analizi ile istatistiksel analizde paha biçilmez bir araç haline geldi. Bu videoda, R'nin SPSS, Stata ve SAS gibi piyasada bulunan pahalı alternatiflere göre neden giderek daha fazla tercih edildiğini keşfedeceğiz.
R'nin popülaritesinin başlıca nedenlerinden biri maliyet etkinliğidir. Ücretsiz ve açık kaynaklı olan R, pahalı lisanslara ihtiyaç duymadan sağlam bir dizi özellik ve yetenek sunar. Bu erişilebilirlik, veri analizi topluluğunda devam eden eğilimlerin gösterdiği gibi, kullanıcıların diğer yazılım paketlerinden R'ye önemli ölçüde geçişine yol açmıştır.
R bir programlama dili olmasına rağmen, bazılarına korkutucu gelebilir, aslında oldukça cana yakındır. Video, izleyicilere R kullanmanın zor veya korkutucu olmadığı konusunda güvence veriyor. Aslında, nispeten sezgiseldir ve geniş R topluluğundan sağlanan bol destek sayesinde kolayca öğrenilebilir.
Veri analizinde kod kullanmanın önemli bir avantajı tekrar üretilebilirliktir. Analizinizi kod biçiminde belgeleyerek ve paylaşarak, diğerleri sonuçlarınızı tam olarak kopyalayabilir ve bu sonuçlara ulaşmak için attığınız adımları anlayabilir. Bu, şeffaflığı teşvik eder ve işbirliğini kolaylaştırır, başkalarının inceleme yapmasına, iyileştirmeler önermesine veya analizdeki olası hataları belirlemesine olanak tanır. Buna karşılık, işaretle ve tıkla sistemleri bu düzeyde şeffaflıktan ve işbirliğinden yoksundur.
Ayrıca, kod tabanlı analiz yalnızca yeniden üretilebilir değil, aynı zamanda oldukça tekrarlanabilir. Gelecekte ek veriler elde ederseniz, veri temizleme, değiştirme ve analiz dahil olmak üzere kodu çalıştırarak analizi kolayca yeniden çalıştırabilirsiniz. Bu, tutarlılık ve verimlilik sağlayarak tüm iş akışınızın zahmetsizce tekrarlanabilmesini sağlar.
Açık kaynaklı bir dil olan R'nin en heyecan verici yönlerinden biri, belirli veri analitiği görevleri için mevcut olan çok sayıda pakettir. Dünya çapındaki geliştiriciler tarafından oluşturulan bu paketler, çok çeşitli analitik zorlukları ele alır ve R'ye ücretsiz olarak kurulabilir ve kullanılabilir. Video, sayıları binleri bulan bu paketlerin bolluğunu vurgulayarak çeşitli uygulamalar için R'nin işlevselliğini ve çok yönlülüğünü daha da genişletir. veri analizi ihtiyaçları.
R ayrıca veri görselleştirme ve grafik yeteneklerinde de mükemmeldir. Video, bu bağlamda R'nin mevcut diğer tüm paketleri geride bıraktığını vurguluyor. R'deki zengin görselleştirme araçları, bilgilendirici ve görsel olarak çekici grafikler ve çizimlerin oluşturulmasına izin vererek veri keşfini ve sunumunu geliştirir.
Video, R gibi bir programlama dili kullanmanın zor olmadığını göstermek için kısa bir tanıtım sağlar. Yaş ve boy gibi değişkenleri gösteren "arkadaşlar" adı verilen basit bir veri çerçevesi sergiliyor. Gösterim aracılığıyla izleyiciler, R'deki nesnelere işlevlerin uygulanmasının, araçları hesaplama, histogramları çizme ve korelasyonları inceleme gibi basit işlemlere nasıl izin verdiğine tanık olurlar. Bu, kod yazmaya ilişkin tüm korkuları veya yanlış anlamaları çürütmeye hizmet eder ve bunun erişilebilir ve yönetilebilir bir süreç olduğunu gösterir.
Sonuç olarak, R'nin bir veri analizi ve istatistiksel analiz aracı olarak artan popülaritesi, maliyet etkinliğine, tekrar üretilebilirliğine, tekrarlanabilirliğine, geniş paket ekosistemine, güçlü görselleştirme yeteneklerine ve göreceli kullanım kolaylığına bağlanabilir. Video serisi, kurulumdan veri analizine, manipülasyona, görselleştirmeye ve hatta makine öğrenimi ve yapay zeka gibi ileri düzey konulara kadar R'nin çeşitli yönleriyle izleyicilere rehberlik etmeyi amaçlıyor. İzleyiciler, kanalın içeriğini takip ederek, veri analizi çabaları için R'nin muazzam potansiyelini öğrenme ve bunlardan yararlanma yolculuğuna çıkabilirler.
Veriler nasıl içe aktarılır ve paketler nasıl kurulur. Yeni başlayanlar için R programlama.
Veriler nasıl içe aktarılır ve paketler nasıl kurulur. Yeni başlayanlar için R programlama.
R programlamaya nasıl başlayacağınız konusunda size rehberlik edeceğimiz SPAR programlama video serisine tekrar hoş geldiniz. Bu özel videoda, bir proje oluşturmaya odaklanacağız ve bir projenin neleri gerektirdiğine dair bir açıklama sağlayacağız. Ek olarak, veri aktarımını, paket kurulumunu ve veri işlemeyi ele alacağız. Bu oturumun sonunda amacımız, R programlamada görevleri yerine getirmek için güçlenmiş hissetmenizi sağlamaktır. Öyleyse başlayalım.
R programlama hakkında bilgi edinmekle ilgileniyorsanız, doğru yere geldiniz. Bu YouTube kanalında, çok çeşitli konuları kapsayan kapsamlı R programlama eğitimleri sunuyoruz. Bu noktada, daha önce R ve RStudio yüklediğinizi varsayarak, RStudio ortamına bir göz atalım.
RStudio'yu açtığınızda, dört kadran göreceksiniz. Bu ortama aşina değilseniz, onu tanıtan özel bir videomuz var, bu yüzden onu kontrol etmekten çekinmeyin. Şimdilik, başlamaya odaklanalım. Sol üstte, başlamak için çeşitli seçenekler içeren bir açılır menü bulacaksınız. Gelecek videolarda bu seçeneklerin her birini ayrıntılı olarak tartışacağız. Ancak şimdilik bir proje oluşturarak başlamanızı öneririz.
Bir proje başlatmak için, hemen solda bulunan "Proje Oluştur" düğmesini tıklayın. Senaryonuzu, verilerinizi ve çıktılarınızı tek bir yerde düzenlemenize yardımcı olduğu için proje oluşturmak çok önemlidir. R, verilerinizi nerede bulacağınızı bilecek ve projeyle ilgili tüm dosyaları bir çalışma dizini içinde düzgün bir şekilde depolayacaktır. Bu, ilerledikçe avantajlı olduğunu kanıtlayacaktır. Bu nedenle, R'de bir projeye başladığınızda "Yeni Proje" düğmesine tıklamanızı önemle tavsiye ederiz.
"Yeni Proje" düğmesine tıkladığınızda, yeni bir dizin oluşturma ve projenizi adlandırma seçeneklerini göreceksiniz. Örneğin, projeyi "Test One" olarak adlandıralım ve "Proje Oluştur" düğmesini tıklayalım. R daha sonra bir proje oluşturacak ve onu RStudio arayüzünün sağ alt kısmında listelenmiş olarak bulabilirsiniz. Aynı anda, sabit sürücünüzde "Test One" adlı bir klasör oluşturulacaktır. Bu klasöre giderseniz, projeyi temsil eden bir simge göreceksiniz. Bu klasörün içindeyken RStudio'yu açarsanız ve proje simgesine tıklarsanız, R, o projeyle ilişkili tüm komut dosyası, veriler ve çıktılarla tek bir yerde açılır. Hiç şüphesiz takdir edeceğiniz düzenli ve düzenli bir çalışma ortamı yaratır.
Şimdi, verileri R'ye nasıl aktaracağınızı tartışalım. Projeyi başlattığınızda sabit sürücünüzde oluşturulan klasöre dönün. Almak istediğiniz verileri kesip bu klasöre yapıştırın. Verileri klasöre yerleştirdikten sonra, verileri otomatik olarak almak ve R'ye aktarmak için kodunuzu kullanmanın zamanı geldi. Bu şekilde, kodunuzu çalıştırdığınızda, veriler bir nesne olarak hazır olacak ve onu tekrar tekrar manuel olarak içe aktarma konusunda endişelenmenize gerek kalmayacak.
RStudio'da "Veri Kümesini İçe Aktar" gibi seçenekler o kadar verimli olmadığından kullanmaktan kaçının. Bunun yerine, içe aktarılan verileri kodunuza nasıl dahil edeceğinizi göstereceğiz. Verileri içe aktaran örnek bir kod parçacığını burada bulabilirsiniz:
my_data <- read.csv("filename.csv")
Bu kodda, bir CSV dosyasından veri almak için read.csv işlevini kullanıyoruz. Excel veya SPSS gibi çeşitli dosya biçimlerinden verileri içe aktarabilirsiniz, ancak basit olması için şimdilik CSV dosyalarına odaklanalım. Bu kodu çalıştırdıktan sonra, veriler R ortamında my_data nesnesi olarak depolanacaktır.
İçe aktarılan verileri görüntülemek için baş, kuyruk veya görünüm gibi işlevleri kullanabilirsiniz. Örneğin:
head(my_data) # displays the first six rows of the data
tail(my_data) # displays the last six rows of the data
Bu işlevler, verilerinizin yapısını ve içeriğini incelemenizi sağlar. head işlevi verilerinizin ilk birkaç satırını gösterirken tail işlevi son birkaç satırı görüntüler. Bu, veri kümesine hızlı bir şekilde göz atmak ve doğru bir şekilde içe aktarıldığını doğrulamak için yararlı olabilir.
Verilerinizi içe aktardıktan sonra, bazı veri işleme görevlerini gerçekleştirmek isteyebilirsiniz. R, veri işleme için zengin bir dizi işlev ve paket sağlar. Yaygın olarak kullanılan bir paket, filtreleme, sütun seçme, sıralama ve verileri toplama gibi veri işleme görevleri için bir dizi işlev sağlayan dplyr'dir.
dplyr paketini kurmak için aşağıdaki kodu kullanabilirsiniz:
install.packages("dplyr")
Kurulumdan sonra, kütüphane işlevini kullanarak paketi R oturumunuza yüklemeniz gerekir:
library(dplyr)
Artık veri işleme için dplyr paketi tarafından sağlanan işlevleri kullanmaya başlayabilirsiniz. Aşağıda, bir koşula göre satırları filtrelemeye bir örnek verilmiştir:
filtered_data <- my_data %>%
filter(column_name == "some_value")
Bu kodda, filtered_data yalnızca my_data'dan sütun_adı adlı sütunun "biraz_değer" değerine sahip olduğu satırları içerecektir. Bu sadece bir örnektir ve dplyr paketi, verileri işlemek ve dönüştürmek için daha birçok işlev sunar.
Kodunuzu ve değişikliklerinizi takip etmek için R betiğinizi sık sık kaydetmeyi unutmayın. RStudio betik düzenleyicisinin sol üst köşesindeki disk simgesine tıklayarak veya Ctrl+S (veya macOS'ta Cmd+S) kısayolunu kullanarak betiğinizi kaydedebilirsiniz.
Sonuç olarak, bu videoda RStudio'da proje oluşturmanın, kod kullanarak R'ye veri aktarmanın ve dplyr paketini kullanarak veri işleme yapmanın temellerini ele aldık. Bunlar, R programlama yolculuğunuzun temelini oluşturacak temel kavramlardır.
Bir sonraki videoda, R'de veri görselleştirmeyi keşfedeceğiz ve anlayışlı çizimler ve çizelgeler oluşturmayı öğreneceğiz. Daha heyecan verici R programlama eğitimleri için bizi izlemeye devam edin!
Excel'den R stüdyosuna veri nasıl aktarılır. Yeni başlayanlar için R programlama
Excel'den R stüdyosuna veri nasıl aktarılır. Yeni başlayanlar için R programlama
Merhaba, internetin insanları! Programlama 101'e tekrar hoş geldiniz. Burası, R'nin yalnızca güçlü ve kullanışlı değil, aynı zamanda eğlenceli ve kullanımı kolay olduğunu keşfettiğiniz yer. Bu videomuzda Excel'den R'ye nasıl veri aktarılacağından bahsedeceğiz. Bir önceki videomda bir dosyayı nasıl CSV (virgülle ayrılmış değer) dosyası olarak kaydedip read ile içe aktarabileceğinizden bahsetmiştim. .csv işlevi. Ancak bu videoda, verilerin ayrı bir sekmede olabileceği veya elektronik tablo içinde standart olmayan bir yerde bulunabileceği karmaşık durumlarda bile verileri doğrudan Excel'den R'ye aktarmaya odaklanacağız. Hepsini ele alacağız ve bu videoyu yaklaşık üç dakika içinde bitireceğim, bu yüzden R programlama hakkında daha fazla bilgi edinmek istiyorsanız benimle kalın.
R programlama ile ilgileniyorsanız, doğru yere geldiniz. Bu YouTube kanalında R ile ilgili her konuda programlama videoları çekiyoruz. O halde Excel'den R'ye veri alma konusuna geçelim.
Başlamak için, neyi başarmak istediğimizi düşünelim. Bir Excel elektronik tablomuz varsa, amacımız bu verileri analiz, görselleştirme ve daha fazlası için kullanabileceğimiz bir nesne olarak R'ye aktarmaktır. Bu görevi başarmanın birden fazla yolu var.
İlk olarak, Excel arayüzünün sağ üst köşesine bakarsanız, "Excel'den İçe Aktar" seçeneğini görürsünüz. Üzerine tıkladığınızda, Excel dosyasının konumuna gidebileceğiniz bir ekran açılır. Benzer şekilde, dosyanın konumunu gösteren aynı ekrana erişmek için RStudio arayüzünün sağ alt kısmındaki Excel simgesine de tıklayabilirsiniz.
Bu araç, R'ye veri aktarmak için kod yazmaya aşina değilseniz yararlı olabilir. Excel'den veri içe aktarmanıza yardımcı olacak bir grafik arayüz sağlar. Ancak, araçtaki "İçe Aktar" düğmesine tıklamak yerine, sağ üstteki kod bölümünün hemen üzerindeki küçük simgeye tıklamanız daha iyidir. Bu, verileri R'ye aktarmak için gereken kodu kopyalayacaktır. Ardından, daha fazla özelleştirme ve kontrol için bu kodu R betiğinize yapıştırabilirsiniz.
Bu araçta bulunan seçeneklere daha yakından bakalım. En üstte, Excel dosyasının konumunu belirtirsiniz. Araç, R'ye içe aktarıldığında nasıl görüneceğini görmenize izin vererek, verilerin bir önizlemesini sağlar. Açılır menüleri kullanarak her bir sütunun değişken türünü değiştirebilirsiniz. Örneğin, bir sütunun karakter veya sayısal veri olarak ele alınıp alınmayacağını belirleyebilirsiniz.
Sol altta, içe aktarılan veri nesnesinin adını R'de ayarlayabilirsiniz. Varsayılan olarak R, Excel dosyasının adına göre bir ad atayacaktır. Excel dosyası birden çok sayfa içeriyorsa, içe aktarmak istediğiniz sayfayı da seçebilirsiniz. Ek olarak, e-tablo içinde bir aralık ve içe aktarılacak maksimum satır sayısı belirtebilirsiniz. "Atla" seçeneği, belirli değişkenleri içe aktarma işleminin dışında bırakmanıza olanak tanır.
Unutulmaması gereken önemli bir nokta, R'nin elektronik tablonun ilk satırını varsayılan olarak sütun adları olarak kullanmasıdır. Ancak, "Ad olarak ilk satır" seçeneğinin işaretini kaldırırsanız, R değişkenlere kendi adlarını atayacaktır.
İçe aktarılan verileri içe aktardıktan hemen sonra görüntülemek isterseniz, "Verileri görüntüle" seçeneğini işaretleyebilirsiniz. Ancak, verileri doğrudan R betiğinize aktarmak ve ardından R'nin işlevlerini kullanarak görüntülemek genellikle daha uygundur.
Şimdi, aracın ürettiği koda daha yakından bakalım. Kodu R betiğinize yapıştırdığınızda, genellikle kitaplığı veya require işlevini kullanarak readxl paketini yükleyen bir satır içerir. Bu paket, Excel verilerini R'ye aktarmak için kullanılan read_excel işlevini sağlar. Kod parçacığı şuna benzer:
library(readxl)
my_data <- read_excel(file = "path/to/your/file.xlsx", sheet = "sheet_name", range = "A1:E10", na = "NA")
Kodda öncelikle library fonksiyonunu kullanarak readxl paketini yüklüyoruz. Bu paket, Excel dosyalarını okumamızı sağlayan read_excel işlevini içerir.
Ardından, içe aktarılan verileri depolamak için verilerim adlı bir nesne oluşturuyoruz. Bu nesne için herhangi bir isim seçebilirsiniz.
read_excel işlevinde birkaç argüman sağlarız. dosya bağımsız değişkeni, Excel dosyanızın yolunu belirtir. Burada doğru dosya yolunu sağlamanız gerekir.
Sayfa bağımsız değişkeni, içe aktarmak istediğiniz sayfanın adını belirtmenizi sağlar. Excel dosyanızda birden çok sayfa varsa ve belirli bir sayfayı içe aktarmak istiyorsanız, adını buraya girin. Alternatif olarak, bunun yerine sayfa dizin numarasını da kullanabilirsiniz.
Aralık bağımsız değişkeni isteğe bağlıdır ve sayfa içinde içe aktarılacak bir aralık belirtmenize olanak tanır. Örneğin, "A1:E10", A1 hücresinden E10'a veri aktarır. Bir aralık belirtmezseniz, tüm sayfayı içe aktarır.
na bağımsız değişkeni, eksik değerlerin gösterimini belirtmek için kullanılır. Bu durumda, R'deki varsayılan eksik değer gösterimi olan "NA" olarak ayarladık. Eksik değerlerinizin Excel dosyasında nasıl temsil edildiğine bağlı olarak özelleştirebilirsiniz.
Kodu R betiğinize yapıştırdıktan sonra, verileri içe aktarmak için çalıştırabilirsiniz. İçe aktarılan veriler my_data nesnesinde depolanacak ve veri analizi, görselleştirme veya gerçekleştirmeniz gereken diğer işlemlere devam edebilirsiniz.
read_excel işlevi için keşfedebileceğiniz ek argümanlar ve seçenekler olduğunu belirtmekte fayda var. R konsoluna ?read_excel yazarak işlevin belgelerine başvurabilirsiniz; bu, kullanılabilir seçenekler hakkında daha fazla ayrıntı sağlar.
Veri analizini öğrenme konusunda ciddiyseniz ve R programlamayı daha fazla keşfetmek istiyorsanız, bu kanala abone olmanızı ve gelecekteki videolardan haberdar olmak için bildirim zilini tıklamanızı tavsiye ederim.
Umarım bu açıklama, readxl paketini kullanarak verileri Excel'den R'ye nasıl aktaracağınızı anlamanıza yardımcı olur. Başka sorunuz varsa, sormaktan çekinmeyin!
Yeni başlayanlar için R programlama. Titiz evreni kullanarak verileri manipüle edin: seçin, filtreleyin ve değiştirin.
Yeni başlayanlar için R programlama. Titiz evreni kullanarak verileri manipüle edin: seçin, filtreleyin ve değiştirin.
Programlama 101'imize tekrar hoş geldiniz! Bu kursta, R'nin yalnızca güçlü ve yararlı olmadığını, aynı zamanda eğlenceli ve kullanımının nispeten kolay olduğunu keşfedeceksiniz. Bu yüzden, R programlama dünyasına dalarken benimle kalın.
Bu video, temel konulara odaklandığımız yeni başlayanlar için programlama serimizin bir parçasıdır. Bu özel videoda size R içindeki mevcut veri kümelerine nasıl erişeceğinizi ve bunları nasıl kullanacağınızı öğreteceğim. R, veri işleme, analiz ve istatistik becerilerinizi geliştirmek için kullanabileceğiniz çeşitli veri kümeleriyle birlikte gelir.
Başlangıç olarak, bu videoda size yol göstereceğim analizi tekrarlamanızı istiyorum. Veri kümesine erişebilir ve evde takip edebilirsiniz. Uygulamalı uygulama, öğrenmenin en iyi yoludur.
Başlamadan önce, gerekli paketlerin kurulu olduğundan emin olalım. Bu durumda "tidyverse" paketini kullanacağız. Henüz yüklemediyseniz, yalnızca bir kez yapmanız gerekir. Ancak, her yeni oturum için, gereksinim veya kitaplık işlevlerini kullanarak paketi yüklemeniz gerekir. Paketi yüklemek için komut kitaplığını(tidyverse) çalıştıralım.
Artık paketi yüklediğimize göre devam edelim. "tidyverse" paketi ile gelen ek veri setlerinden biri olan Star Wars veri seti ile çalışacağız. R'deki tüm kullanılabilir veri kümelerinin bir listesini görmek için data() işlevini kullanabilirsiniz. Basitçe data() yazın ve enter tuşuna basın.
Bu analizde, Star Wars filmlerindeki karakterlerin sağlığını keşfetmekle ilgileniyoruz. Bir tıp doktoru olarak sağlığı değerlendirmenin bir yolu, kilogram cinsinden kütlenin metre cinsinden boyun karesine bölünmesiyle hesaplanan vücut kitle indeksine (VKİ) bakmaktır. Erkekler ve kadınlar arasında BMI'de bir fark olup olmadığını araştırmak istiyoruz. Ek olarak, insan karakterlere odaklanacağız ve droidleri analizimizin dışında tutacağız.
Analize başlayalım. "tidyverse" paketindeki %>% boru operatörünü kullanacağız, bu da birden fazla işlemi birbirine zincirlememize izin veriyor. Her kod satırı, analizimizin bir adımını temsil eder.
Öncelikle, boru operatörünü kullanarak Star Wars veri kümesiyle çalıştığımızı belirteceğiz. Veri kümesi birçok değişken içerir, ancak biz bunların yalnızca bir alt kümesiyle çalışmak istiyoruz. Veri kümesini basitleştirmek için, belirli değişkenleri seçmek üzere select() işlevini kullanabiliriz. Bizim durumumuzda, "cinsiyet", "kütle", "boy" ve "tür" değişkenleriyle ilgileniyoruz. Kod seçilecek(cinsiyet, kütle, boy, tür).
Ardından, insan olmayan karakterleri veri kümesinden filtrelemek istiyoruz. Bunu başarmak için filter() işlevini kullanabiliriz. Yalnızca türün "insan"a eşit olduğu gözlemleri dahil etmek istediğimizi belirtiyoruz. Kod, filter(tür == "insan") olacaktır.
Veri kümesini filtreledikten sonra, kaldırmak istediğimiz eksik değerler olabilir. Bu videoda, eksik verileri işlemenin ayrıntılarına girmeyeceğiz, bu nedenle eksik değerlere sahip satırları kaldırmak için na.omit() işlevini kullanalım. Kod na.omit() olacaktır.
Şimdi yükseklik değişkenini santimetreden metreye çevirmemiz gerekiyor. Yeni bir değişken oluşturmak veya mevcut bir değişkeni değiştirmek için mutate() işlevini kullanabiliriz. Yüksekliği 100'e bölerek metreye çevireceğiz. Kod mutasyona uğrayacak (yükseklik = yükseklik / 100).
Son olarak, her karakter için BMI'yi hesaplamak istiyoruz. "BMI" adlı yeni bir değişken oluşturmak için mutate() işlevini tekrar kullanacağız. BMI hesaplama formülü kütle / yükseklik^2'dir. kod olacak
mutate(BMI = mass / height^2)`.
Bu noktada veri setimizi hazırladık ve her karakter için BMI'yi hesapladık. Şimdi, Star Wars evreninde erkekler ve kadınlar arasındaki BMI'yi karşılaştırmaya odaklanalım. Bunu yapmak için verileri cinsiyete göre gruplamamız ve ardından her grup için ortalama BMI'yi özetlememiz gerekiyor.
Boru operatörünü kullanarak başka bir işlemi zincirleyeceğiz. Verileri "cinsiyet" değişkenine göre gruplandırmak için group_by() işlevini kullanacağız. Kod group_by(gender) olacaktır.
Ardından, her bir cinsiyet grubu içindeki ortalama BMI'yi hesaplamak için sum() işlevini kullanacağız. Summary(average_BMI = mean(BMI)) kodunu kullanarak "ortalama BMI" adında yeni bir değişken oluşturacağız.
Şimdi, tüm kodu birlikte çalıştırırsak, Star Wars evreninde erkekler ve kadınlar için ortalama BMI'yi gösteren özet tabloyu elde edeceğiz.
Analizimizi özetlemek gerekirse:
Özet tablosunda, Star Wars evreninde kadınlar için ortalama BMI'nin 22, erkekler için ise 26 olduğunu gözlemleyebilirsiniz. Bu, ortalama olarak erkeklerin BMI'sinin biraz daha yüksek olduğunu ve bu da kilolu olma eğilimini gösterir. .
Bu analizi, Star Wars veri setini kullanarak kendi bilgisayarınızda adım adım takip etmenizi tavsiye ederim. Uygulamalı uygulama, R programlama kavramlarına ilişkin anlayışınızı sağlamlaştıracaktır. Deneyiminizi analizle paylaşmak için aşağıdaki açıklamaya yorum yapmaktan çekinmeyin.
Unutmayın, R programlamayı öğrenmek heyecan verici bir yolculuktur ve yaptığınız her analiz becerilerinizi geliştirecektir. Programlama 101 serimizdeki daha ilgi çekici içerik için bizi izlemeye devam edin.
R programlamada veri türleri
R programlamada veri türleri
Programlama 101 eğitimimize tekrar hoş geldiniz! Bugün veri türleri konusuna değineceğiz. Etkili programlama için farklı veri türlerini anlamak çok önemlidir. Pek çok tür olmasına rağmen, en önemli beş tanesine odaklanacağız. Diğer türlere de kısaca değineceğiz. Ek olarak, R'de bir değişkenin veri tipini nasıl değiştireceğimizi öğreneceğiz ve bir faktöre seviyelerin nasıl ekleneceğini keşfedeceğiz. Öyleyse, bizimle kalın ve hemen dalalım!
R programlama hakkında bilgi edinmek için buradaysanız, doğru yere geldiniz. Bu YouTube kanalında, çok çeşitli konuları kapsayan kapsamlı programlama videoları sunuyoruz. Bu öğreticide, dört ana veri türünü tartışacağız: ad, boy, yaş ve kilo.
İlk tip, nominal verileri temsil eden "ad" dır. R'de metinden oluştuğu için karakter veri tipi olarak sınıflandırıyoruz. Bir sonraki tür, aynı zamanda kategorik veriler olan "yükseklik" dir, ancak belirli bir düzeni vardır. R'de buna sıralı veri diyoruz ve onu bir faktör olarak gösteriyoruz. Faktörler, değişkene farklı düzeyler atamamızı sağlar.
Devam edersek, bir tam sayı olan "yaşımız" var. R'de, onu bir tamsayı veri türü olarak sınıflandırıyoruz. Son olarak, tam sayılar arasında herhangi bir sayısal değer olabilen "ağırlığa" sahibiz. R'de bunu sayısal bir değişken olarak kabul ediyoruz.
Ortamımızda "arkadaşlar" isimli bir nesne olan veri çerçevemizin yapısını incelemek için str() fonksiyonunu kullanabiliriz. str(arkadaşlar) komutunu çalıştırarak veri çerçevemizin yapısını konsolda görebiliriz. R, veri çerçevesindeki her değişkenin veri türü hakkında bilgi sağlar. "Ad" değişkeninin bir karakter olarak doğru bir şekilde tanımlandığını fark ettik, ancak "boy", "yaş" ve "kilo" sırasıyla karakter ve sayısal olarak sınıflandırıldı.
"yükseklik" değişkeninin veri türünü karakterden faktöre değiştirmek için as.factor() işlevini kullanırız. friends$height <- as.factor(friends$height) kodu, "height" değişkenini bir faktöre dönüştürür ve veri çerçevesini buna göre günceller.
Benzer şekilde "yaş" değişkeninin veri tipini tamsayı olarak değiştirmek istiyorsak as.integer() fonksiyonunu kullanabiliriz. friends$age <- as.integer(friends$age) kodu, "yaş" değişkenini bir tamsayıya dönüştürür.
Şimdi "height" değişkenine seviyeler eklemeye odaklanalım. Varsayılan olarak, R, seviyeleri bir faktör değişkenine alfabetik sırayla atar. Ancak sırayı değiştirmek istiyorsak,level() fonksiyonunu kullanabiliriz. Örneğin, "boy" düzeylerini "kısa", "orta" ve "uzun" olarak ayarlamak için düzeyleri(arkadaşlar$boy) <- c("kısa", "orta", "uzun" kodlarını kullanabiliriz. ").
Kodu çalıştırdıktan sonra, değişiklikleri doğrulamak için str(arkadaşlar) komutunu yeniden çalıştırabiliriz. Artık "boy" değişkeninin istediğimiz gibi "kısa", "orta" ve "uzun" seviyeleri olan bir faktör olduğunu görebiliriz.
Tartışılan dört türe ek olarak, "mantıksal" olarak adlandırılan başka bir önemli veri türü daha vardır. Doğru/yanlış değerleri depolamak için bir mantıksal değişken kullanılabilir. Değişkenleri karşılaştırmak ve karşılaştırmaya dayalı olarak yeni mantıksal değişkenler oluşturmak için mantıksal işlemleri kullanabiliriz.
Örneğin, veri çerçevemizdeki bireylerin 23 yaşından büyük olup olmadığını belirlemek için "eski" adında yeni bir mantıksal değişken oluşturabiliriz. friends$old <- friends$age > 23 kodunu kullanarak, "yaş" değişkenini yaş değişkeni ile karşılaştırırız. 23 değeri ve sonucu "eski" değişkene atayın.
class(friends$old) kullanarak "eski" değişkenin sınıfını inceleyerek, bunun gerçekten mantıksal bir değişken olduğunu doğrulayabiliriz.
Bu eğitim boyunca, en önemli beş veri türünü ele aldık: karakter, faktör, tamsayı, sayısal ve mantıksal. Bu türler, veri analizi yolculuğunuzun temelini oluşturacaktır. Ancak, ilerideki videolarda inceleyeceğimiz saat ve tarih verileri gibi başka veri türlerinin de olduğunu unutmayın.
Veri analizi ve R programlama konusunda ciddiyseniz, abone ol düğmesine bastığınızdan ve bildirim zilini etkinleştirdiğinizden emin olun. Bu şekilde, güncel kalacak ve gelecekteki videolarımız için bildirim alacaksınız.
Bu Programlama 101 eğitiminde bize katıldığınız için teşekkür ederiz. Umarız bilgilendirici ve faydalı bulmuşsunuzdur. Meraklı kalın ve büyüleyici programlama dünyasını keşfetmeye devam edin!
Yeni başlayanlar için R programlama: Değişkenleri yeniden adlandırın ve sütunları yeniden sıralayın. Veri temizleme ve işleme.
Yeni başlayanlar için R programlama: Değişkenleri yeniden adlandırın ve sütunları yeniden sıralayın. Veri temizleme ve işleme.
Meraklılar, tekrar hoş geldiniz! Bugünün eğitiminde, R'deki sütunları yeniden adlandırma ve yeniden sıralama gibi heyecan verici bir konuya değineceğiz. R programlamayı öğrenme konusunda tutkuluysanız, doğru yerdesiniz. YouTube kanalımız, çok çeşitli programlama konularını kapsar ve size değerli görüşler ve eğitimler sunar.
Süreci göstermek için Star Wars veri setini kullanacağız. Bu veri seti, bugün size göstereceğim adımlarla birlikte pratik yapmak ve takip etmek için mükemmeldir. Adım adım takip edebilmeniz için Star Wars veri setini bilgisayarınıza indirerek başlayalım.
Henüz yapmadıysanız, timberverse paketini yüklemeniz gerekir. Bu paket, veri işleme ve analizi için tasarlanmış güçlü bir R paketleri koleksiyonudur. Kurulduktan sonra, Tiddverse paketini yüklemek ve işlevlerine erişmek için library() veya request() işlevini kullanabilirsiniz. Titiz evren paketi, kullanacağımız Star Wars veri setini içerir.
Star Wars veri kümesiyle çalışmak için SW adında yeni bir nesne oluşturalım. Yıldız Savaşları veri kümesini SW nesnesine atamak için atama operatörünü (<-) kullanacağız. Bu, orijinal veri setini değiştirmeden değişiklikler yapmamızı ve denemeler yapmamızı sağlar. Kodu çalıştırmak için enter tuşuna basın ve ortamdaki SW nesnesine tıklarsanız, görüntülenen veri setini göreceksiniz.
Şimdi, derli toplu evrenin harika özelliklerinden biri, operasyonları birlikte zincirlememize izin veren boru operatörü %>%'dir. Veri kümesinden belirli sütunları seçmek için kullanacağız. Örneğin, yalnızca ad, yükseklik ve kütle sütunlarını istediğimizi varsayalım. select() işlevini kullanabilir ve istediğimiz sütun adlarını belirtebiliriz. Kodu çalıştırmak için enter tuşuna basın ve SW nesnesine tıklarsanız, artık yalnızca seçili sütunları içerdiğini fark edeceksiniz.
Ek sütunlar eklemek istiyorsak, bunları select() işlevi içinde ekleyebiliriz. Örneğin, cinsiyet sütununu eklemek istersek, kodu (isim, kütle, boy, cinsiyet) seçmek için değiştirebiliriz. Bu şekilde, ortaya çıkan veri kümesi, verdiğimiz sırayla belirtilen sütunları içerecektir.
Şimdi sütunlara farklı isimler vermek istediğimizi varsayalım. Rename() işlevinin kullanışlı olduğu yer burasıdır. %>% boru operatörünü kullanarak operasyonları birlikte zincirleyebiliriz. Bir sütuna atamak istediğimiz yeni adı, ardından = işaretini ve ardından orijinal sütun adını belirterek başlayacağız. Örneğin, "kütle" sütununun adını "ağırlık" olarak değiştirelim. Kodu çalıştırarak, SW veri setinde sütun adının uygun şekilde değiştirildiğini göreceksiniz.
Bu şekilde, select() işlevini kullanarak sütunları kolayca yeniden adlandırabilir ve hatta veri kümesi içindeki sıralarını değiştirebilirsiniz. %>% boru operatörü, kodunuzun okunabilirliğini ve verimliliğini artırarak sorunsuz bir işlem akışı sağlar.
Veri analizinde uzmanlaşma ve R programlamayı öğrenme konusunda ciddiyseniz, abone ol düğmesine bastığınızdan ve bildirim zilini etkinleştirdiğinizden emin olun. Bunu yaparak, değerli içerikleri asla kaçırmamanızı sağlayarak gelecekteki videolarımızdan haberdar olacaksınız.
Programlama topluluğumuzun bir parçası olduğunuz için teşekkür ederiz. Umarız bu öğreticiyi bilgilendirici ve ilgi çekici bulmuşsunuzdur. Meraklı kalın ve R programlamanın büyüleyici dünyasını keşfetmeye devam edin!