Dodawaj, usuwaj i zmieniaj nazwy kolumn w R za pomocą Dplyr
W tym samouczku omówimy pakiet dplyr, który umożliwia sortowanie, filtrowanie, dodawanie i zmianę nazw kolumn w języku R.
Jeśli masz duży zbiór danych i dużą liczbę zapytań, czyszczenie danych jest koniecznością. Niektórzy użytkownicy nie zdają sobie sprawy, jak istotne jest czyszczenie danych w Edytorze zapytań.
Możesz łatwo użyć opcji ze wstążki Przekształć lub po prostu kliknąć kolumny prawym przyciskiem myszy. Absolutnie nie ma potrzeby używania zaawansowanych funkcji do czyszczenia danych.
W ten sposób możesz łatwo zrozumieć i odwoływać się do swoich kolumn w modelu. Co więcej, wyczyszczenie danych może pomóc w późniejszym uproszczeniu wizualizacji i raportów.
Spis treści
Identyfikowanie zapytań dla Twojego modelu
W tym przykładzie możesz zobaczyć wszystkie zapytania po lewej stronie.
Aby rozpocząć czyszczenie, musisz określić, które z nich zostaną uwzględnione w modelu. To pierwsza rzecz, którą rozważam przed czymkolwiek innym.
W Twojej konfiguracji może być wiele zapytań, ale nie wszystkie z nich muszą być uwzględnione w Twoim modelu.
Aby wybrać wiele danych, które chcesz uwzględnić, przytrzymaj klawisz Shift i kliknij odpowiednie tabele. Możesz także nacisnąć klawisz Ctrl podczas wybierania odpowiednich tabel.
Następnie kliknij prawym przyciskiem myszy i kliknij opcję Przenieś do grupy , a następnie Nowa grupa .
W wyskakującym oknie Nowa grupa wprowadź nazwę tej grupy zapytań. To, co polecam tutaj, to użycie modelu danych jako standardowej nazwy dla tych zapytań.
Tworzenie folderów dla innych zapytań
Po zidentyfikowaniu najważniejszych tabel, które powinny znaleźć się w Twoim modelu, możesz również pogrupować pozostałe zapytania.
Możesz utworzyć dodatkowe foldery dla innych zapytań, których potrzebujesz do miar. Możesz nazwać go jako folder grup miar . Możesz także utworzyć inny folder dla Query Functions .
Istnieje inna technika o nazwie Query Staging , która polega na organizacji. Jest to tak proste, jak kliknięcie zapytania prawym przyciskiem myszy, a następnie przeniesienie grupy lub utworzenie nowej grupy.
Wniosek
Upewnienie się, że zapytania są dobrze zorganizowane, może pomóc w płynnym uruchomieniu modelu usługi LuckyTemplates.
Utrzymywanie uporządkowanych i uporządkowanych danych doprowadzi do doskonałej współpracy w zespole. Inni użytkownicy mogą łatwo zrozumieć Twój model danych i raporty.
Mam nadzieję, że będziesz nadal ćwiczyć te techniki podczas korzystania z usługi LuckyTemplates.
W tym samouczku omówimy pakiet dplyr, który umożliwia sortowanie, filtrowanie, dodawanie i zmianę nazw kolumn w języku R.
Odkryj różnorodne funkcje zbierania, które można wykorzystać w Power Automate. Zdobądź praktyczne informacje o funkcjach tablicowych i ich zastosowaniu.
Z tego samouczka dowiesz się, jak ocenić wydajność kodów DAX przy użyciu opcji Uruchom test porównawczy w DAX Studio.
Czym jest self w Pythonie: przykłady z życia wzięte
Dowiesz się, jak zapisywać i ładować obiekty z pliku .rds w R. Ten blog będzie również omawiał sposób importowania obiektów z R do LuckyTemplates.
Z tego samouczka języka kodowania DAX dowiesz się, jak używać funkcji GENERUJ i jak dynamicznie zmieniać tytuł miary.
W tym samouczku omówiono sposób korzystania z techniki wielowątkowych wizualizacji dynamicznych w celu tworzenia szczegółowych informacji na podstawie dynamicznych wizualizacji danych w raportach.
W tym artykule omówię kontekst filtra. Kontekst filtrowania to jeden z głównych tematów, z którym każdy użytkownik usługi LuckyTemplates powinien zapoznać się na początku.
Chcę pokazać, jak usługa online LuckyTemplates Apps może pomóc w zarządzaniu różnymi raportami i spostrzeżeniami generowanymi z różnych źródeł.
Dowiedz się, jak obliczyć zmiany marży zysku przy użyciu technik, takich jak rozgałęzianie miar i łączenie formuł języka DAX w usłudze LuckyTemplates.