En este tutorial, aprenderá a editar datos en R usando el paquete DataEditR . Puedes ver el video completo de este tutorial en la parte inferior de este blog .
DataEditR es un paquete de R que le permitirá crear paneles e informes en R mediante una GUI. Luego, podremos apuntar y hacer clic, editar e ingresar datos. También puede descargarlo de CRAN. Consulte el curso para saber cómo descargar el paquete.
Veamos una breve demostración. Es un conjunto de datos de CRAN donde podemos hacer una manipulación básica de edición de datos y luego guardarlos. Usaremos una GUI para hacerlo cuando R sea una herramienta de codificación.
Primero, iniciemos RStudio, escribamos la biblioteca (DataEditR) y presionemos Enter . Asegúrate de tenerlo instalado si no lo tienes.
A continuación, escriba browserVignettes (DataEditR) . Es una buena función para ejecutar porque aquí es donde podemos consultar los tutoriales de este paquete.
Ejecute las viñetas de navegación, luego haga clic en el enlace HMTL .
Desplácese hacia abajo para ver la lista de tutoriales de DataEditR. Aprenderá cómo iniciarlo, cómo funciona, cómo importar datos y más. Mira esto a medida que avanzas.
Volvamos a RStudio y concentrémonos en los elementos de edición de datos de este paquete.
Tabla de contenido
Cómo editar datos en R usando el paquete DataEditR
Escribamos library(Ecdat ) seguido de data(package = Ecdat), luego ejecutemos este paquete.
Estos son los conjuntos de datos R en Ecdat . Hay muchos conjuntos de datos orientados a los negocios que son buenos para practicar o hacer demostraciones.
Para esta demostración, vamos a utilizar el conjunto de datos de Vivienda. Escriba data_edit(Vivienda) para abrir una nueva ventana.
Ahora estamos en el editor de datos de Vivienda. También podemos cargar un nuevo archivo aquí.
Tenemos algunas opciones aquí. El primero es Seleccionar columnas .
Son botones donde podemos seleccionar cual queremos.
El siguiente es Filter Rows .
Podemos filtrar números o cadenas y agregar o quitar filtros.
La siguiente es la opción Sincronizar . Se vuelve a cargar en la configuración inicial de nuestro conjunto de datos.
Ahora pasemos a las dos opciones sobre cómo guardar sus datos.
La opción Guardar selección en archivo es para ciertas cosas que necesitamos guardar en nuestro portapapeles.
También podemos guardar todo el conjunto de datos haciendo clic en la opción Guardar en archivo .
Por ejemplo, queremos guardar todo el conjunto de datos como un archivo CSV.
Haga clic derecho en una de las celdas de la columna para ver las diferentes opciones. En este ejemplo, seleccionamos la fila Insertar arriba .
Podemos introducir datos en los campos. Esto es algo que no podemos hacer en Power Query.
Hay casos en los que queremos crear una aplicación web donde las personas puedan ingresar sus datos. Se dispara directamente a un archivo R, que va a cualquier tubería que queramos. Es como una herramienta frontal.
También es fácil cambiar los nombres de las columnas en DataEditR porque todo es solo apuntar y hacer clic.
Por ejemplo, queremos editar el encabezado de las historias a n_stories . Todo lo que tenemos que hacer es hacer clic en la celda y cambiarle el nombre.
Otra característica es extender y llenar varios números, fechas o incluso texto en otras celdas. Es similar a cómo funciona en Excel.
Haga clic en una celda, extienda y rellene otras celdas.
Luego seleccione partes del conjunto de datos y haga clic derecho para cambiar la alineación de las celdas.
También podemos usar la opción Recortar a selección resaltando las celdas y recortando las celdas seleccionadas.
Este paquete está en desarrollo. La gran ventaja es la capacidad de editar datos en R, especialmente cambiando los nombres de las columnas e insertando una columna.
El V1 es un marcador de posición predeterminado para los nombres de columna en R.
Ahora, hagamos clic en Listo .
Este es el conjunto de datos alterados. También podemos quedarnos con una copia guardándola.
Parámetro What If para modelos de datos en LuckyTemplates
Prácticas recomendadas de Power Query para su modelo de datos
Rastreador de progreso de LuckyTemplates para datos de pedidos y ventas
Conclusión
Podemos usar el paquete DataEditR para la entrada de datos debido a su interfaz similar a Excel y su función de apuntar y hacer clic y luego editar.
La herramienta R es una herramienta reproducible donde cualquier cambio es completamente editable. Sin embargo, el uso de GUI no es la herramienta más reproducible pero tiene sus propias ventajas de interfaz de usuario.
Espero que pueda usar este tutorial cuando edite sus propios datos en R. No olvide suscribirse al canal de televisión LuckyTemplates.
Mis mejores deseos,
Descubra cómo calcular el total de transacciones realizadas en los últimos N días y obtenga información útil utilizando la inteligencia de tiempo en LuckyTemplates.
En este tutorial, demuestro cómo mostrar clústeres en sus datos permite extraer información valiosa usando técnicas DAX avanzadas.
En este tutorial, aprenderá a calcular la <strong>población actual del personal</strong> para las relaciones múltiples de la tabla de calendario mediante la función COUNTROWS y FILTER en LuckyTemplates.
Aprenda a crear una solicitud HTTP con Power Automate y cómo implementar soluciones efectivas para la automatización de tareas.
En este tutorial, aprenda cómo programar un flujo de escritorio en Power Automate para automatizar tareas en la web y su escritorio.
Aprenda a usar correctamente el control Terminar acción de Power Automate que termina las acciones en un flujo si no se cumple alguna de las condiciones.
Aprenda a combinar archivos de varias carpetas en su red, escritorio, OneDrive o SharePoint utilizando Power Query.
En este blog, analizamos las similitudes y diferencias entre los tipos de flujo de Power Automate y determinamos cuándo usar cada flujo. Encuentra la mejor opción de automatización.
Familiarízate con algunos conectores Power Automate integrados que transforman cadenas en otro formato: número, texto y fecha y hora.
Este tutorial detallado sobre el analizador VertiPaq en DAX Studio le enseñará cómo usar la pestaña Relaciones para optimizar su DAX y resolver problemas de integridad referencial.
