Обложка канала

R4marketing | канал Алексея Селезнёва | Язык R

Автор канала Алексей Селезнёв, руководитель отдела аналитики в Netpeak, автор R пакетов: ryandexdirect, rfacebookstat и др. В канале публикуются статьи, доклады, новости, заметки по языку R.

  • R4marketing | канал Алексея Селезнёва | Язык R

    <b>Профилирование производительности R-скриптов Цель этой статьи - рассмотреть методы профилирования производительности и оптимизации для повышения эффективности R-скриптов. Мы поговорим о встроенных инструментах R, которые помогают нам профилировать код, а также о том, как правильно анализировать результаты профилирования. Содержание: 1. Профилирование производительности в R 1.1. Встроенные инструменты R для профилирования (profvis, Rprof, system.time) 1.2. Анализ результатов профилирования: идентификация узких мест и затратных операций 2. Методы оптимизации R-скриптов 2.1. Использование векторизации и функций из базового пакета R 2.2. Оптимизация циклов: сравнение различных методов и подходов 2.3. Пакеты для оптимизации: compiler, Rcpp, data.table и другие 2.4. Оптимизация работы с памятью и управление переменными 3. Работа с большими данными в R 3.1. Оценка объема данных: когда и как данные становятся "большими" 3.2. Стратегии для работы с большими объемами данных на R 3.3. Пакеты для эффективной обработки больших наборов данных (bigmemory, ff, dplyr backend) 4. Кейсы из реальной практики 4.1. Исследование и сравнение производительности алгоритмов на примере реальных данных 5. Лучшие практики профилирования и оптимизации R-скриптов 6. Заключение Смотрите также: - Бесплатный курс "Циклы и функционалы в языке R" #статьи_по_R
  • R4marketing | канал Алексея Селезнёва | Язык R

    colouR: Получить палитру проанализировав цвета изображения Некоторое время назад я рассказывал о пакетах с наборами палитр, вдохновлённых национальными парками и художественного Метропόлитен-музея, почитать о них можно тут и тут. На днях мне на глаза попался пакет colouR, который позволяет вам проанализировать любое изображение в форматах jpg или png, из локального файла или по ссылке, и получить его палитру. Основной функцией пакета является getTopCol(), которая имеет следующий набор аргументов: ● path - Путь к локальному файлу изображения или URL ● n - Количество цветов, которое необходимо получить в палитре ● exclude - Позволяет исключить из палитры большинство оттенков чёрного и белого ● sig - Целое число, позволяет округлять количество знаков после запятой, в определении какую часть изображения занимает цвет ● avgCols - Логическое TRUE / FALSE, надо ли усреднять цвета в группы ● n_clusters - Количество кластеров, используемых для группировки цветов, имеет смысл только при avgCols = TRUE 1. Пример анализа цветовой палитры изображения, и использования полученной палитры в `ggplot2` Ниже пример анализа цветовой палитры изображения из интернета. само изображение и результат анализа его палитры вы видите на изображении к посту.
    library(colouR)
    library(ggplot2)
    library(dplyr)
    
    # Анализ палитры изображение с усреднением цветов
    top10 <- getTopCol(
      path = "https://static.make.ua/catalog/35/city-1491__1557487852__300h.jpg",
      n          = 5,
      avgCols    = T,
      n_clusters = 10,
      exclude    = T, 
    )
    
    # Сортируем цвета
    top10$hex <- factor(top10$avg_color, levels = top10$avg_color)
    
    # Выводим график по цветам
    ggplot(top10, aes(x = hex, y = freq)) +
      geom_bar(stat = 'identity', fill = top10$hex) +
      theme_dark() +
      theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
      xlab('HEX colour code') +
      ylab('Frequency')
    
    # Выводим палитру
    plotPalette(top10$avg_color)
    
    
    В данном случае, мы группируем (avgCols = TRUE) все полученные из изображения цвета в 10 групп (
    n_clusters = 10
    ), говорим исключить все известные пакету оттенки чёрного и белого (
    exclude    = TRUE
    ), и взять 5 из полученных групп цветов, которые заполняют большую часть изображения (
    n = 5
    ). 2. Используем полученную палитру в ggplot2 Пакет colouR включает две дополнительные функции для удобной совместимости с ggplot2: ● scaleFill() scaleColor() Но, эти функции судя по всему работают только с встроенными в сам пакет палитрами, а собственные палитры вы можете использовать традиционным способом, передав их в аргументы функций scale_*():
    # Используем полученную палитру в ggplot2
    # подготовка данных
    manufacturer_counts <- mpg %>%
      group_by(manufacturer) %>%
      summarize(count = n()) %>% 
      head(5)
    
    mpgsort <- manufacturer_counts[order(manufacturer_counts$count, decreasing = TRUE), ]
    
    mpgsort$manufacturer <-  factor(mpgsort$manufacturer, levels = mpgsort$manufacturer)
    
    # Строим график с использованием полученной палитры
    ggplot(mpgsort, aes(x = manufacturer, y= count, fill = manufacturer)) +
      geom_bar(stat = 'identity') +
      theme_minimal() +
      theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
      scale_fill_manual(values = top10$avg_color)
    
    
    Читайте так же: - NatParksPalettes: Пакет цветовой палитры, вдохновленный национальными парками - Палитры в R - Темы для ggplot2 основанные на телешоу Полезные ссылки: - Сайт пакета colouR #заметки_по_R
  • R4marketing | канал Алексея Селезнёва | Язык R

    ​​​​👨‍💻 The Fundamentals of People Analytics: With Applications in R Новая книга The Fundamentals of People Analytics: With Applications in R, находящая в открытом доступе, предназначена для аналитиков всех уровней и поможет им эффективно решать задачи, связанные с управлением персоналом организаций. В ней представлены ключевые идеи и концепции, охватывающие весь аналитический цикл, а также подробные инструкции по использованию R для решения реальных задач. Не требуются предварительные знания статистики, баз данных или программирования. Первые главы посвящены введению в R и SQL, а также основам статистики. Человеческий капитал является самым важным активом любой организации. Без знаний и навыков сотрудников организация не сможет достичь успеха. Привлечение, развитие и удержание талантливых сотрудников становится все более сложной и ответственной задачей, поэтому организации делают значительные инвестиции в углубленное понимание организационных явлений на основе данных, влияющих на конечные результаты. Прочитав книгу, вы сможете: 1. Планировать и проводить эмпирические исследования. 2. Запрашивать и обрабатывать данные с использованием SQL. 3. Очищать и анализировать данные с помощью R. 4. Применять соответствующие статистические и ML-модели для широкого спектра задач аналитики в области управления персоналом. 5. Представлять результаты анализа и осуществлять коммуникацию со стейкхолдерами на основе данных. #books #people_analytics #R
  • Реклама

  • R4marketing | канал Алексея Селезнёва | Язык R

    qdapRegex - извлечение, замена и удаление частей текста Регулярные выражение инструмент достаточно мощный, но в тоже время и довольно непростой в понимании. Поэтому, для извлечения/удаления/замены каких-то базовых паттернов в тексте, например имейлов, номеров телефонов, почтовых индексов. чисел, дат, аббревиатур и т.д. можно использовать пакет qdapRegex. Каждая из функций пакета имеет приставку, в зависимости от её назначения: ● ex_*() - извлечение части текста ● rm_*() - удаление / замена части текста Например, в одном из постов канала я показал, как с помощью регулярных выражений удалить часть текста между двумя символами, задача казалось бы простая, но регулярное выражение для её выполнения будет не самым простым, а пакет qdapRegex решает такие задачи очень просто:
    library(qdapRegex)
    
    x <-  "I like [bots] (not)."
    
    rm_between(x, "(", ")")
    ex_between(x, "(", ")")
    rm_between(x, c("(", "["), c(")", "]"))
    ex_between(x, c("(", "["), c(")", "]"))
    
    
    Если вам не удалить, а заменить часть текста используйте аргумент replacement:
    rm_between(x, "[", "]",replacement = "humans")
    
    
    Ниже приведу набор наиболее полезных функций: ● (ex|rm)__between() - часть текста между указанными символами ● (ex|rm)_hash() - хештеги ● (ex|rm)_tag() - именные теги (@username) ● (ex|rm)_url() - извлечение ссылок из текста ● (ex|rm)_email() - имейлы ● (ex|rm)_phone() - номера телефонов ● (ex|rm)_emoticon() - смайлы ● (ex|rm)_bracket() - текст внутри квадратных, фигурных или круглых скобок ● (ex|rm)_curly() - текст внутри фигурных скобок ● (ex|rm)_round() - текст внутри круглых скобок ● (ex|rm)_square() - текст внутри квадратных скобок ● (ex|rm)_number() - числа ● (ex|rm)_time() - время ● (ex|rm)_date() - даты ● (ex|rm)_non_words() - не слова ● (ex|rm)_nchar_words() - слова более заданной длинны ● (ex|rm)_repeated_characters() - повторяющиеся символы И это не полный набор функций, пакет будет крайне полезен для очистки текста. или извлечения нужной информации из неструктурированного текста, например из имейлов, или комментариев.
    # пример текста
    text <- "@alex привет, отправь 12.07.2023 @john информацию о стоимости #iphone на почту [email protected] потом позвони мне (067)123-45-67"
    
    ex_date(text)  # извлекаем дату
    ex_email(text) # извлекаем имейл
    ex_hash(text)  # извлекаем хеш
    ex_tag(text)   # извлекаем теги
    ex_phone(text) # извлекаем номер телефона?
    
    
    Все функции под капотом используют американский словарь регулярных выражений, получить его можно командой data(regex_usa). Но вы можете создать и использовать собственный словарь регулярных выражений, в примере выше мы не смогли извлечь номер телефона, потому что его описание в тексте не соответствует американскому словарю регулярных выражений, давай создадим свой словарь:
    # создаём словарь
    regex_dict <- list("rm_phone" = "\\(\\d{3}\\)\\d{1,4}-\\d{1,4}-\\d{1,4}")
    # устанавливаем пользовательский словарь по умолчанию
    options("regex.library" = regex_dict)
    # используем словарь и паттерн из него
    ex_phone(text, pattern = "@rm_phone")
    
    
    Пользуйтесь! #заметки_по_R
  • R4marketing | канал Алексея Селезнёва | Язык R

    Создание API в R при помощи Plumber Я считаю лучшим способом для интеграции приложений R в любую систему ПО, — это Plumber. Статья посвящена именно ему. К ее завершению вы создадите в R свой первый API при помощи Plumber. Содержание: 1. Пара слов об использовании R в продакшене 2. Что такое API? 3. Как работает Plumber? 4. Начнем с простого скрипта 5. Превращение скрипта в API 6. Проверим 7. Развертывание 8. Заключение #статьи_по_R
  • R4marketing | канал Алексея Селезнёва | Язык R

    Язык R: прокачайте свои навыки до следующего уровня Автор: Андрей Шагин В статье приводятся 7 рекомендаций по оптимизации кода в плане использования и времени выполнения ваших скриптов, говоря простыми словами, рекомендации по повышени. эффективности вашего кода. Содержание: ● Рекомендация 1. Выполняйте профилирование кода ● Рекомендация 2. Векторизируйте код ● Рекомендация 3. Матрицы вместо фреймов данных ● Рекомендация 4. is.na() и anyNA ● Рекомендация 5. if() … else() вместо ifelse() ● Рекомендация 6. Параллельные вычисления ● Рекомендация 7. Интерфейс сопряжения R с другими языками ● Заключение #статьи_по_R
  • R4marketing | канал Алексея Селезнёва | Язык R

    Видео урок: Как хранить и работать с секретными данными на языке R Новички зачастую хранят все секретные данные, такие как пароли и api токены, непосредственно в коде, но это считается плохой практикой. Опубликовал видео в котором рассказал почему не стоит хранить пароли в самом коде. и как правильно и безопасно хранить секретные данные. Тайм коды: 00:00 Вступление 00:39 Что такое секретные данные 01:06 Как не надо хранить секретные данные 03:18 Способы хранения и работы с секретными данными 03:54 Работа с хранилищем учётных данных операционной системы с помощью пакета keyring 06:40 Работа с файлами конфигурации с помощью пакета configr: yaml, ini, json 14:24 Работа с переменными среды 18:35 Заключение Длительность: 19:10 Ссылки: - Материалы к уроку - Видео #видео_уроки_по_R
    Как правильно хранить и работать с секретными данными на языке R

    В этом видео мы с вами разберёмся с тем, что такое секретные данные, почему не рекомендуется прописывать пароли, и прочие конфиденциальные данные в коде скриптов, и рассмотрим несколько способов безопасного хранения секретных данных. |===========================================| Материалы к уроку: |===========================================| Тайм коды: 00:00 Вступление 00:39 Что такое секретные данные 01:06 Как не надо хранить секретные данные 03:18 Способы хранения и работы с секретными данными 03:54 Работа с хранилищем учётных данных операционной системы с помощью пакета keyring 06:40 Работа с файлами конфигурации с помощью пакета configr: yaml, ini, json 14:24 Работа с переменными среды 18:35 Заключение |===========================================| Поддержать канал: Вы можете поддержать канал любой произвольной суммой , собранные средства пойдут на закупку оборудования, которое поможет повысить качество контента. https://secure.wayforpay.com/payment/R4marketing |===========================================| Автор: Алексей Селезнёв Telegram канал: https://t.me/R4marketing

    YouTube
  • R4marketing | канал Алексея Селезнёва | Язык R

    🤖 Краш-тест возможностей chatGPT-4 для создания визуализации данных в R с помощью ggplot2 GPT-4 можно использовать для улучшения визуализации данных в R (ggplot2), что делает его отличным инструментом как для начинающих, так и для продвинутых пользователей R. Мне понравилось, как автор видео общается с chatGPT-4. Хотя код на R иногда содержит ошибки и не работает, весь процесс выглядит очень захватывающим. От создания базовых графиков (смотрите с какой легкостью chatGPT пишет код для пайчарта 🙊 на зависть новичкам) до продвинутых техник использования ChatGPT для поиска данных, анализа и визуализации данных. ▶️ Видео Using GPT-4 for Data Viz (R/ggplot). Мораль: Как мне кажется, с появлением AI люди НЕ потеряют способность к абстрактному мышлению, анализу, или креативность. Использование chatGPT только повысит производительность труда и качество работы человека. #R #ggplot2 #chatGPT4 #визуализация_данных #dataviz #полезное
    Using GPT-4 for Data Viz (R/ggplot)

    GPT-4 launched today, and this video goes through live examples how folks of any level - beginner to expert - can use it! We're going to cover basic charts and how to use ChatGPT to learn data viz, Intermediate skills using ChatGPT for chart optimization and tuning, and advanced techniques in using ChatGPT for data mining and visualizing modeling. Timecodes 00:00 - Intro 01:31 - Beginner: Scatterplot 06:04 - Beginner: Barchart 07:29 - Beginner: The King of Charts, the Pie Chart 10:01 - Intermediate: Tuning a Joyplot 23:33 - Advanced: Scraping Real Data 32:36 - Advanced: Hexplot 39:17 - Advanced: Modeling and Centroids #chatgpt #gpt4 #datavisualization #dataviz #datascience #R #ggplot2

    YouTube
  • R4marketing | канал Алексея Селезнёва | Язык R

    ОН КЛИНИК в поиске Middle Web analyst Курсы по программингу на Python или R будут плюсом. Задачи: ● Поддерживать сквозную аналитику по интернет-продажам услуг в разрезе источников и каналов привлечения, типов услуг, затрат на привлечение (онлайн- и оффлайн-воронки); ● разработка персонализированных отчетов для отдела маркетинга; ● построение Ad-Hoc отчётов; ● подготовка технических заданий для разработчиков и контроль их выполнения; ● багфикс/багрепорты по работе систем веб-аналитики; ● настройка тегов в Google Tag Manager; ● настройка целей, представлений в Google Analytics; ● анализ эффективности всех каналов трафика и подготовка предложений по оптимизации бюджетов и повышению уровня конверсии; ● аналитика поведения пользователей и предложения по оптимизации удобства использования и поведенческого опыта; ● разработка гипотез и проведение А/В-тестирований; ● контроль и поддержание единой логики использования UTM-меток; ● создание и поддержание актуальности отчетов маркетинговой аналитики на базе BI решений, которые позволят проводить аналитику всех каналов маркетинга с учетом реальных доходов от продаж услуг. Требования к кандидату: ● уверенный пользователь Google Analytics, Google Tag Manager; ● уверенное владение SQL, Python или R, Google BigQuery; ● опыт работы с API (настройка сбора данных и интеграции с внешними системами), контроль разработки и внедрения с командой программистов; ● знание систем визуализации данных Power BI, Google Data Studio; ● знание различных типов моделей атрибуции, опыт их внедрения, анализ результата и принятия решений по их эффективности; ● опыт работы с большими объемами данных. GEO- Украина. Детали вакансии в личных сообщениях: tg @dariaviatorem
  • R4marketing | канал Алексея Селезнёва | Язык R

    ggflowchart:<b> Создание блок-схем в R Пакет ggflowchart является надстройкой над ggplot2, которая позволяет с минимальным объёмом кода рисовать блок схемы, средствами одного чистого ggplot2 сделаьт это не так просто. Рисование блок схемы проходит в 2 этапа: 1. Сначала создать таблицу с описанием будущей блок схемы:
    library(ggflowchart)
    
    data <- tibble::tibble(from = c("A", "A", "A", "B", "C", "F"),
                           to = c("B", "C", "D", "E", "F", "G"))
    
    
    2. С помощью функции ggflowchart() нарисовать саму блок-схему
    ggflowchart(data)
    
    
    Функция ggflowchart() так же имеет набор дополнительных аргументов: ● node_data - Необязательный фрейм данных, определяющий атрибуты узла, включая метки, которые должны отображаться в полях. ● fill - Цвет заливки блоков узлов. ● colour - Цвет контура блоков узлов. ● text_colour - Цвет текста в полях узла. ● text_size - Размер текста в полях узла. ● arrow_colour -Цвет стрелок между блоками узлов. ● arrow_size - Размер стрелок между блоками узлов. ● family - Семейство шрифтов текста в полях узла. ● x_nudge - Ширина блоков узлов. ●` y_nudge` - Высота блоков узлов. ● horizontal - Направление блок-схемы Преобразуем приведённую выше блок схему с помощью аргумента node_data:
    node_data <- tibble::tibble(
      name = c("A", "B", "C", "D", "E", "F", "G"),
      type = c("Type 1", "Type 1", "Type 1", "Type 1", 
               "Type 2", "Type 2", "Type 2")
      )
    ggflowchart(data, node_data, fill = type)
    
    
    Результат можно увидеть на изображении к посту. Ссылки: - Примеры кода заимствованы из статьи "Introducing {ggflowchart}" #заметки_по_R
  • R4marketing | канал Алексея Селезнёва | Язык R

    Туториал по языку R от ravesli R — это язык программирования с открытым исходным кодом, который широко используется как статистическое программное обеспечение и инструмент анализа данных. R обычно поставляется с интерфейсом командной строки и доступен на широко используемых платформах, таких как Windows, Linux и macOS. Содержание: 1. Введение в язык программирования R 2. Интересные факты о языке программирования R 3. Язык R в сравнении с Python 4. Окружения в R 5. Как установить R-Studio в Windows и Linux? #статьи_по_R
  • R4marketing | канал Алексея Селезнёва | Язык R

    Обновление пакетов rfacebookstat, rgoogleads, timeperiodsR Немного доработал некоторые из своих пакетов. ————————————————————— rfacebookstat - пакет для работы с Facebook Marketing API - Пакет переведён на работу с Facebook Marketing API v16.0 rgoogleads - пакет для работы с Google Ads API - Исправлена ошибка в функции gads_get_geo_targets(), которая позволяет запросить справочник регионов. timeperiodsR - пакет для упрощенного определения временных интервалов в R - Исправлена ошибка в функции`last_n_quarters()` - Внесён ряд небольших правок для соответвия пакета политике CRAN #новости_и_рулизы_R
  • R4marketing | канал Алексея Селезнёва | Язык R

    Зачем учить R в 2023 году? Автор: Дмитрий Володин (@volodin_dd) Текст будет выражать личный опыт и мнение, я не буду проводить аналитическую работу по сравнению средних зарплат и количества вакансий на разных языках. Скорее поделюсь своими мыслями. И постараюсь оставаться не предвзятым по максимуму. Содержание: 1. R как первый язык 2. R как второй язык 3. Рынок труда #статьи_по_R
  • R4marketing | канал Алексея Селезнёва | Язык R

  • R4marketing | канал Алексея Селезнёва | Язык R

    rgoogleads 0.9.1 Пакет rgoogleads, предназначенный для работы с Google Ads API, переведён на работу с Google Ads API v13. Сегодня, 31 марта прекращается поддержка Google Ads API v11, с которой пакет работал ранее. Поэтому всем пользователям пакета необходимо сегодня установить новую версию с CRAN или GitHub. Установка:
    # CRAN
    install.packages('rgoogleads')
    
    # GitHub
    devtools::install_github('selesnow/rgoogleads')
    
    
    Что нового: ● Из результата возвращаемого функцией gads_get_ad_group_criterions() было удалено поле d_group_criterion.listing_group.case_value.product_bidding_category.country_code; ● В результате возвращаемом функцией gads_get_campaigns() поле campaign.maximize_conversions.target_cpa было переименовано в campaign.maximize_conversions.target_cpa_micros. Остальные изменения в API имеют обратную совместимость. Полезные ссылки: - Видео уроки по работе с пакетом rgoogleads - Описание изменений в Google Ads API v13 #новости_и_релизы_R
  • Реклама

  • R4marketing | канал Алексея Селезнёва | Язык R

    Еженедельные воркшопы по R в поддержку Украины Организатор: Daria Mykhalyshyna Вы можете учиться и поддерживать Украину одновременно! Вы можете как зарегистрироваться на предстоящие семинары, так и сделать пожертвование, чтобы получить записи и все материалы предыдущих семинаров. Если вы хотите получать новости о наших будущих семинарах по электронной почте, пожалуйста, заполните эту форму. Если у вас возникнут трудности с регистрацией или у вас возникнут вопросы, вы можете написать Дарье по адресу [email protected] Ссылка на воркшопы
  • R4marketing | канал Алексея Селезнёва | Язык R

    Как задать вопрос ChatGPT с помощью языка R Про ChatGPT не слышал наверное только глухой, или ленивый, скорее второе. Так вот, наверняка вы так же слышали что 1 марта OpenAI объявили о запуске общедоступного API для ChatGPT. А раз у ChatGPT появился API, то соответственно теперь вы можете задать ему вопрос используя практически любой ЯП, в том числе и R. Ниже представлена функция для отправки запроса в ChatGPT, и получения ответа в R консоль. library(httr2) #' Задать вопрос ChatGPT #' #' @param content Текст вашего соощения #' @param api_key Ваш API Токен #' #' @return ответ на ваш вопрос #' @export #' ask_chatgpt <- function( content, api_key ) { # компоновка и отправка запроса ans <- request("https://api.openai.com/v1/chat/completions") %>% req_headers( Authorization = paste("Bearer", api_key) ) %>% req_body_json( list( model = "gpt-3.5-turbo", messages = list( list( role = "user", content = content) ) ) ) %>% req_perform() # парсинг ответа resp <- resp_body_json(ans) # вывод ответа в консоль cat(resp$choices[[1]]$message$content) } Функция от вас потребует указать 2 аргумента: ● content - ваш вопрос; ● api_key - ваш API токен, сгенерировать токен можно после регистрации в меню "View API Keys" вашего аккаунта. Пример использования функции: # используем функцию ask_chatgpt( 'Напиши код на языке R для отправки csv по почте с gmail', 'ВАШ API ТОКЕН' ) Результат, который будет выведен в консоль: К сожалению, я не могу выполнить эту задачу, так как доступ к сторонним ресурсам не предоставляется в моих возможностях. Однако, я могу предложить вам следующий код на R, который использует библиотеку mailer для отправки электронной почты:
    R
    library(mailer)
    
    send_mail(
      from = "[email protected]",
      to = "[email protected]",
      subject = "CSV file",
      body = "Attached is the CSV file.",
      attach_files = "data.csv",
      authenticate = TRUE,
      smtp_server = "smtp.gmail.com",
      smtp_port = 465,
      smtp_username = "[email protected]",
      smtp_password = "password",
      use_ssl = TRUE
    )
    
    Пожалуйста, замените [email protected] на свой адрес электронной почты, [email protected] на адрес получателя, data.csv на имя вашего CSV файла, а также установите свой пароль для smtp_password. Убедитесь, что разрешено использование менее защищенных приложений на вашей учетной записи Gmail. Попробуйте задать в ChatGPT свой вопрос. Ссылки: - документация к ChatGPT API #заметки_по_R
  • R4marketing | канал Алексея Селезнёва | Язык R

    Обзор основного функционала пакета tibble Содержание: 1. О tibble 2. Создание tibble 3. Создание матрицы 4. Отображение tibble 5. Обработка векторов 6. Проверки 7. Манипуляция данными 8. Приведение типов 9. Обработка имен строк 10. Производительность 11. Поддерживаемые типы данных #статьи_по_R
    Best Practices IT

    📌 Tibble - Tidyverse R Сделал большой разбор пакета Tibble из экосистемы Tidyverse языка R, этот пакет является фундаментом всей экосистемы т.к. создает базовую структуру данных для всей остальной работы. Целый пакет для создания и базовых операций с фреймом данных, преимущества такого подхода кроются в реализации на основе векторов из пакета vctrs. Такой подход дает преимущества в производительности по сравнению с базовым data.frame ⏮ НАЗАД

    Telegram