Cleaning Data In R with Tidyverse and Data.table
Get your data ready for analysis with R packages tidyverse, dplyr, data.table, tidyr and more
4.33 (572 reviews)
2,739
students
4 hours
content
Aug 2018
last update
$59.99
regular price
What you will learn
Convert raw and dirty data into clean data
Understand how clean data looks and how to achieve it
Use the R Tidyverse packages to clean data
Handle missing values in R
Detect outliers
Filter and query tables
Select a proper class for your data
Clean various classes of data (numeric, string, categorical, integer, ...)
Why take this course?
đ **Master Data Cleaning with R: Unleash the Power of Tidyverse & Data.table**
FörstĂ„ och rensa dina data för analys med hjĂ€lp av de mest kraftfulla R-verktygen! đ ïžâš
**Kurs Ăversikt:**
đ **Inledning: Varför data rengöring Ă€r avgörande**
Dataanalyser kan inte gÄr fram om den data som inte Àr ren. Oavsett vilken typ av datainsamling eller analys du utförd, data rengöring Àr ett steg som kan inte missas i datavetenskapens processflöde. Att investera tid i att lÀra dig korrekt rengöra dina data Àr en smart beslutsfattande.
đ§ **Verktyg och Metoder: R till hĂ„lp**
I R finns en mÀngd verktyg och funktioner som hanterar allt frÄn outliers, saknda vÀrden till kolumnsplit och unions, karaktÀrsmanipulationer, klasskonverteringar och mycket mer. Oavsett om du prefarter enkel verksamhet eller komplex maskininlÀrning för att rengöra din data, R har lösningen.
đ ïž **Tidyverse: Ditt kraftverk för datarengöring**
Tidyverse Àr en samling av R-paket som fungerar tillsammans som ett team för att producera ren data. FrÄn dataimport till databasfrÄgor - tidyverse Àr en vÀrdefull toolbox som gör allt möjligt.
đ **Precisa Filtrering och KvĂ€ry med data.table, tibble & dplyr**
LÀr dig att anvÀnda dessa verktyg för att effektivt filtrera och köra databasfrÄgor. Dplyr Àr speciellt populÀrt för sin enkla och konsistenta syntax för data manipulering.
đ **Identifiera & Hantera Outliers & Sakande Data**
Utforska metoder för att identifiera outliers och hantera sakande data, inklusive anvÀndning av maskininlÀrning för att automatisera dessa processer.
đ€ **Praktisk Erfarenhet: Datarengöring Projekt**
SÄnt du fÄr öva dina fÀrdigheter genom en rikt kontextuell datarengöring uppgift, som du löser sjÀlv baserat pÄ det du har lÀrt dig i kursen.
đ **Slutsats & Certifiering**
NÀr du fullbordar kursen fÄr du en certifikat frÄn Udemy som bekrÀftar din nya kunskap och fÀrdigheter i att rengöra data med R, tidyverse och data.table.
---
**KursinnehÄll:**
1. **Introduktion till Datarengöring i R**
- Viktigheten av data rengöring
- Ăversikt av R-paket för datarengöring
2. **Tidyverse System: Samarbete i Akion**
- Installation och grundlÀggande anvÀndning
- Hur tidyverse integrerar olika paket
3. **Datainport & Datakonsolidering**
- Skapa, lÀsa och hantera datakÀllor
- Konsolidera data med data.table
4. **Data Filtering & Querying med dplyr**
- Filtrering av data
- Komplexa kvÀry och aggregationsfunktioner
5. **Hantering av Outliers & Sakande Data**
- Identifiera outliers med visuella och statistiska metoder
- Metoder för att hantera sakande datapunkter
6. **Avancerade Datametoder: Kategorisering, Sammanslagning & Mer**
- AnvÀnda tidyr för att omforma data
- Kombinera och manipulera datauppsatser pÄ avancerad nivÄ
7. **MaskininlÀrningsanvÀndning i Datarengöring**
- Implementera maskininlÀrningsmodeller för rengöring
- Skapa egna funktioner för specifika datauppgifter
8. **Datarengöring Projekt: Praktisk Utförande**
- RealvÀrldsassignment för att tillÀmpa lÀrda fÀrdigheter
- Lösning och analyser av projektet med lÀrarens stöd
9. **Kursavslutning & SedelförmÄga**
- Fördjupning i avancerade datatekniker (om önskvÀrt)
- Revision och förberedelse för kursens slutförandenetest
---
**Kan du gissa vad du kommer att kunna göra efter denna kurs?**
- Renna dina datauppsatser till perfektion med R, tidyverse och data.table
- AnvÀnda avancerade datarengöringstekniker för att hantera outliers, sakande data och mer
- Genomföra komplexa datainoperationer med konsistens och effektivitet
- FramgÄngsrikt fÀrdighetarbeta realvÀrldsuppgifter
- FÄ en certifikat som bevis pÄ din nya expertis i datarengöring med R!
Our review
đ **Course Overview:**
The online course in question offers a comprehensive introduction to data cleaning, transformation, and analysis using R, with a particular emphasis on the `tidyverse` package. The course has been well-received by recent students, who have rated it an average of 4.32 out of 5 stars.
**Pros:**
- **Clear Instruction:** The professor is commended for explaining concepts clearly and at a pace suitable for learners at various levels of R proficiency.
- **Comprehensive Content:** The course covers a wide range of useful topics, including data cleaning, imputation of missing values with `mice`, outlier treatment, and the use of packages like `tidyverse`, `data.table`, and `data.frame`.
- **Real-world Application:** Students appreciate the practical examples provided, which are said to be relevant and put into perspective within the course slides.
- **Data.table Focus:** The introduction to the `data.table` package is highlighted as a particularly valuable aspect of the course, with some learners noting it as more powerful than `data.frames` or `tibbles`.
- **Engaging Instructor:** The instructor's knowledge and engaging teaching style are consistently praised.
- **Useful for ETL Processes:** The course content is considered highly beneficial for those involved in Extract, Transform, Load (ETL) processes.
**Cons:**
- **Technical Details in Code:** Some students wish for more detailed explanations of the code written in R scripts, including comments within the code to explain its functionality.
- **Desire for Hands-on Practice:** A few reviews suggest that having actual hands-on examples and the ability to follow along with provided datasets would enhance the learning experience.
- **Up-to-Date Information:** A couple of reviewers point out that some sections could benefit from updates to reflect recent changes in R packages and functions.
- **Depth of Topics:** Some learners expected a deeper dive into certain topics, particularly when it comes to building R code and understanding the nuances of different pieces of functions.
- **Lack of Step-by-Step Execution:** At least one student expressed a desire for more detailed step-by-step execution of certain operators, especially regarding how changes affect graph behavior.
- **Limited to Single Column/Row Operations:** A few reviews suggest that the course content is too focused on single column or row operations and does not adequately prepare learners for working with multiple variables in real-world datasets.
**Additional Notes:**
- **Completion of `<%>` Operator:** One student specifically mentioned a desire for more coverage of the `<%>` operator and its graph behavior.
- **Expectation for More Examples:** Some students expected more examples to reference and copy for future use in R Studio.
- **MICE Package Deep Dive:** A request was made for a deeper exploration of the `mice` package, emphasizing its importance as one of the most powerful imputation tools available.
**Final Verdict:**
Overall, the course is highly rated and offers valuable insights into data cleaning and analysis with R. The clear instruction, comprehensive content, and engaging instructor make it a solid choice for those new to R or looking to expand their skills in data manipulation. However, there is room for improvement in terms of providing more detailed code explanations, hands-on practice, and deeper exploration of certain topics and real-world applications. Students who are looking for advanced techniques and in-depth knowledge of specific packages like `mice` may need to supplement this course with additional resources or further study.
Charts
Price
Rating
Enrollment distribution
Related Topics
1840658
udemy ID
8/6/2018
course created date
7/30/2019
course indexed date
Bot
course submited by