R Language
- Empezando con R Language
- Awesome Book
- Awesome Community
- Awesome Course
- Awesome Tutorial
- Awesome YouTube
- * aplicar familia de funciones (funcionales)
- .Profile
- Acelerar el código difícil de vectorizar
- Actualizando la versión R
- Actualizando R y la librería de paquetes
- Adquisición de datos
- Agregando marcos de datos
- Ajuste de patrón y reemplazo
- Alcance de variables
- Aleatorización
- Algoritmo de bosque aleatorio
- Análisis de red con el paquete igraph.
- Análisis de supervivencia
- análisis espacial
- Analizar tweets con R
- ANOVA
- Aprendizaje automático
- Bibliografía en RMD
- Brillante
- Clases de fecha y hora (POSIXct y POSIXlt)
- Clases numéricas y modos de almacenamiento.
- Clustering jerárquico con hclust
- Codificación de longitud de ejecución
- Código de perfil
- Código tolerante a fallas / resistente
- Coerción
- Combinatoria
- Computación acelerada por GPU
- Creación de informes con RMarkdown
- Creando paquetes con devtools
- Creando vectores
- Cuadernos Markdown R (de RStudio)
- Datos de limpieza
- Depuración
- diagrama de caja
- Distribuciones de probabilidad con R
- dplyr
- E / S para el formato binario de R
- E / S para tablas de bases de datos
- E / S para tablas externas (Excel, SAS, SPSS, Stata)
- Entrada y salida
- Escribiendo funciones en R
- Esquemas de color para gráficos
- Establecer operaciones
- Estandarizar los análisis escribiendo scripts R independientes
- Estructuras de flujo de control
- Evaluación no estándar y evaluación estándar
- Expresión: parse + eval
- Expresiones regulares (expresiones regulares)
- Extracción de textos
- Extracción y listado de archivos en archivos comprimidos
- Factores
- Fecha y hora
- Fórmula
- Función de división
- función strsplit
- Funciones de distribución
- Generador de números aleatorios
- ggplot2
- Gráfico de barras
- Hashmaps
- I / O para datos geográficos (shapefiles, etc.)
- I / O para imágenes rasterizadas
- Implementar patrón de máquina de estado usando la clase S4
- Inspeccionar paquetes
- Instalando paquetes
- Introducción a los mapas geográficos
- Introspección
- JSON
- La clase de fecha
- La clase de personajes
- La clase logica
- Las clases
- Lectura y escritura de datos tabulares en archivos de texto plano (CSV, TSV, etc.)
- Leyendo y escribiendo cuerdas.
- Liza
- lubricar
- Manipulación de cadenas con el paquete stringi.
- mapa de calor y mapa de calor.2
- Marcos de datos
- Matrices
- Mejores prácticas de vectorización de código R
- Meta: Pautas de documentación.
- Modelado lineal jerárquico
- Modelos arima
- Modelos Lineales (Regresión)
- Modelos lineales generalizados.
- Modificar cadenas por sustitución.
- Obtener entrada de usuario
- Operación sabia columna
- Operadores aritméticos
- Operadores de tuberías (%>% y otros)
- Pivot y unpivot con data.table
- Presentación de RMarkdown y knitr
- Procesamiento en paralelo
- Procesamiento natural del lenguaje
- Programacion funcional
- Programación Orientada a Objetos en R
- Publicación
- R en LaTeX con knitr
- R recuerdo por ejemplos
- R reproducible
- Raster y análisis de imagen
- Rcpp
- Realización de una prueba de permutación
- Reciclaje
- Remodelando datos entre formas largas y anchas
- Remodelar utilizando tidyr
- Resolviendo ODEs en R
- RODBC
- roxygen2
- Selección de características en R - Eliminación de características extrañas
- Series de Fourier y Transformaciones.
- Series de tiempo y previsiones
- Servicios RESTful R
- signo de intercalación
- Sintaxis de expresiones regulares en R
- Spark API (SparkR)
- sqldf
- Subconjunto
- tabla de datos
- tidyverse
- Trazado de base
- Usando la asignación de tuberías en su propio paquete% <>%: ¿Cómo?
- Usando texreg para exportar modelos de una manera lista para el papel
- Valores faltantes
- Variables
- Web raspado y análisis
- Web Rastreo en R
- xgboost
Looking for r Answers? Try Ask4KnowledgeBase
Looking for r Keywords? Try Ask4Keywords
R LanguageDatos de limpieza
Introducción
La limpieza de los datos en R es fundamental para realizar cualquier análisis. cualquiera que sea la información que tenga, ya sea a partir de mediciones tomadas en el campo o extraídas de la web, es muy probable que tenga que remodelarla, transformarla o filtrarla para que sea adecuada para su análisis. En esta documentación, cubriremos los siguientes temas: - Eliminar observaciones con datos faltantes - Factorizar datos - Eliminar filas incompletas
Datos de limpieza Ejemplos relacionados
Related Tags
This modified text is an extract of the original Stack Overflow Documentation created by following contributors and released under CC BY-SA 3.0
This website is not affiliated with Stack Overflow
Email: tutorialpedia@outlook.com