آموزش R – مدرسه پردازش و تحلیل داده دقیقه https://d-learn.ir یادگیری گام به گام علوم داده و تحلیل داده Mon, 13 Nov 2023 08:52:46 +0000 fa-IR hourly 1 https://d-learn.ir/wp-content/uploads/2021/10/cropped-Picture1-e1633785514326-150x150.png آموزش R – مدرسه پردازش و تحلیل داده دقیقه https://d-learn.ir 32 32 چطور نرخ رشد فروش را در R محاسبه کنیم؟ https://d-learn.ir/p/lead-lag-r/ https://d-learn.ir/p/lead-lag-r/#comments Mon, 04 Sep 2023 10:26:57 +0000 https://d-learn.ir/?p=52916 تغییرات فروش در بازه‌های زمانی معمولا یکی از شاخص‌هایی است که همیشه توسط کسب و کارها دنبال می‌شود. فرمول محاسبه نرخ تغییرات فروش ساده است:  مشخص است که اگر عدد حاصل از فرمول بالا را در ۱۰۰ ضرب کنیم، درصد تغییرات فروش را محاسبه کرده‌ایم. برای این کار می‌توانیم از دستورات lead و lag در کتابخانه dplyr استفاده […]

The post چطور نرخ رشد فروش را در R محاسبه کنیم؟ appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]>

تغییرات فروش در بازه‌های زمانی معمولا یکی از شاخص‌هایی است که همیشه توسط کسب و کارها دنبال می‌شود. فرمول محاسبه نرخ تغییرات فروش ساده است: 

growth rate | چطور نرخ رشد فروش را در R محاسبه کنیم؟

مشخص است که اگر عدد حاصل از فرمول بالا را در ۱۰۰ ضرب کنیم، درصد تغییرات فروش را محاسبه کرده‌ایم. برای این کار می‌توانیم از دستورات lead و lag در کتابخانه dplyr استفاده کنیم.

نحوه عملکرد lead و lag

این دو تابع  عملکردی ساده دارند. lead مقدار بعدی و lag مقدار قبلی را در یک بردار پیدا می‌کند. فرض کنید برداری دارید که اعداد ۱ تا ۵ را در آن ذخیره کرده‌اید. عملکرد توابع مورد نظر بصورت زیر خواهد بود:

				
					library(dplyr)
v <- 1:5
lead(v)
				
			
				
					[1]  2  3  4  5 NA

ملاحظه می‌کنید که پاسخ، یک بردار است که از مقدار ۲ آغاز شده و به NA ختم شده است. مقدار آخر به این دلیل NA شده است که پس از عدد ۵ در بردار v مقدار دیگری نداریم. حتما می‌توانید حدس بزنید که به همان دلیل پیشین اگر تابع lag را روی بردار v  اعمال کنیم اولین مقدار آن NA خواهد بود.

				
					> lag(v)
[1] NA  1  2  3  4

پاسخ توابع lead و lag همیشه به اندازه بردار اصلی هستند. برای اینکه بهتر نحوه کارکرد این دو تابع را درک کنید به مثال زیر توجه کنید.

				
					library(dplyr)
v = 1:5
data.frame(
    before = lag(v),
    actual = v,
    after = lead(v)
      )
				
			
				
					.  before actual after
1     NA   1     2
2      1   2     3
3      2   3     4
4      3   4     5
5      4   5    NA

محاسبه نرخ تغییر فروش ماهانه

فرض کنید میزان فروش ماهانه یک شرکت در ۶ ماه اول سال بصورت زیر است.

				
					data <- data.frame(
  monthID = 1:6,
  month = month.abb[1:6],
  sales = c(90e3,12.7e4,10e4,92e3,16e4,16.9e4)
    )
data
				
			
				
					.  monthID month  sales
1       1   Jan  90000
2       2   Feb 127000
3       3   Mar 100000
4       4   Apr  92000
5       5   May 160000
6       6   Jun 169000

برای محاسبه درصد میزان رشد (یا کاهش) فروش ماهانه کافی است ستونی جدید درست کنیم که حاصل تفریق ماه جاری از فروش ماه قبل، تقسیم بر میزان فروش ماه قبل باشد.

				
					library(dplyr)
data %>%
  mutate(
    sales_change_percent = ((sales - lag(sales)) / lag(sales) * 100)
    )

				
			
				
					.  monthID month  sales sales_change_percent
1       1   Jan  90000                   NA
2       2   Feb 127000             41.11111
3       3   Mar 100000            -21.25984
4       4   Apr  92000             -8.00000
5       5   May 160000             73.91304
6       6   Jun 169000              5.62500

می‌توانید با استفاده از تابع round مقدار درصد محاسبه شده را به عدد صحیح رند کنید.

				
					data %>%
  mutate(
    sales_change_percent = round(((sales - lag(sales)) / lag(sales) * 100))
    )
				
			
				
					.  monthID month  sales sales_change_percent
1       1   Jan  90000                   NA
2       2   Feb 127000                   41
3       3   Mar 100000                  -21
4       4   Apr  92000                   -8
5       5   May 160000                   74
6       6   Jun 169000                    6

 

 

 

 

Photo by Isaac Smith on Unsplash

The post چطور نرخ رشد فروش را در R محاسبه کنیم؟ appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]> https://d-learn.ir/p/lead-lag-r/feed/ 2 چطور مقادیر یک ستون را در R عوض کنیم؟ https://d-learn.ir/p/how-to-replace-values-r/ https://d-learn.ir/p/how-to-replace-values-r/#respond Thu, 17 Aug 2023 08:32:07 +0000 https://d-learn.ir/?p=45455 در هنگام کار با داده‌ها بعضی مواقع لازم است مقادیر یک ستون را به مقداری دیگر تغییر دهیم. این شرایط معمولا هنگام پاکسازی داده‌ها بوجود می‌آید. برای نمونه به دیتافریم زیر نگاه کنید: df

The post چطور مقادیر یک ستون را در R عوض کنیم؟ appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]>

در هنگام کار با داده‌ها بعضی مواقع لازم است مقادیر یک ستون را به مقداری دیگر تغییر دهیم. این شرایط معمولا هنگام پاکسازی داده‌ها بوجود می‌آید. برای نمونه به دیتافریم زیر نگاه کنید:

				
					df <- data.frame(
  age = c(10, 12 , 14 , 13),
  gender = c("zan", "mard" , "zan" , "mard")
)

df
				
			
				
					.  age gender
1  10    zan
2  12   mard
3  14    zan
4  13   mard

می‌خواهیم در ستون gender  دو کلمه male  و female را جایگزین mard و zan کنیم.

روش اول: استفاده از دستورات پایه‌ای در R

				
					df$gender[df$gender == "mard"] = "male"
df$gender[df$gender == "zan"] = "female"

df
				
			
				
					.  age gender
1  10 female
2  12   male
3  14 female
4  13   male

روش دوم: استفاده از ifelse

				
					df <- data.frame(
  age = c(10, 12 , 14 , 13),
  gender = c("zan", "mard" , "zan" , "mard")
)

df$gender <- ifelse(df$gender == "zan", "female", "male")

df
				
			
				
					.  age gender
1  10 female
2  12   male
3  14 female
4  13   male

روش سوم: استفاده از دستور replace

				
					df <- data.frame(
  age = c(10, 12 , 14 , 13),
  gender = c("zan", "mard" , "zan" , "mard")
)

df$gender <- replace(df$gender, df$gender == "zan", "female")
df$gender <- replace(df$gender, df$gender == "mard", "male")

df
				
			
				
					  age gender
1  10 female
2  12   male
3  14 female
4  13   male

روش سوم: استفاده از کتابخانه dplyr

				
					library(dplyr)

df <- data.frame(
  age = c(10, 12 , 14 , 13),
  gender = c("zan", "mard" , "zan" , "mard")
)

df <- df %>%
  mutate(gender = case_when(
    gender == "zan" ~ "female",
    gender == "mard" ~ "male",
    TRUE ~ gender
  ))
  
df
				
			
				
					.  age gender
1  10 female
2  12   male
3  14 female
4  13   male

The post چطور مقادیر یک ستون را در R عوض کنیم؟ appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]> https://d-learn.ir/p/how-to-replace-values-r/feed/ 0 چطور می‌توان یک تابع را روی چند ستون اعمال کرد؟ https://d-learn.ir/p/across-function/ https://d-learn.ir/p/across-function/#respond Sun, 02 Jul 2023 07:16:45 +0000 https://d-learn.ir/?p=41998 تحلیل‌گران داده معمولا در موقعیتی قرار می‌گیرند که لازم است یک تابع را روی چند ستون اعمال کنند. مثلا لازم است میانگین چند ستون را به صورت همزمان محاسبه کنند. این کار برای یک یا چند ستون ساده است. اما وقتی تعداد ستون‌ها زیاد باشد یا اگر بیشتر از یک تابع را بخواهید اعمال کنید […]

The post چطور می‌توان یک تابع را روی چند ستون اعمال کرد؟ appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]>

تحلیل‌گران داده معمولا در موقعیتی قرار می‌گیرند که لازم است یک تابع را روی چند ستون اعمال کنند. مثلا لازم است میانگین چند ستون را به صورت همزمان محاسبه کنند. این کار برای یک یا چند ستون ساده است. اما وقتی تعداد ستون‌ها زیاد باشد یا اگر بیشتر از یک تابع را بخواهید اعمال کنید ممکن است زمان بر و طاقت فرسا باشد. این‌کار در R با استفاده از تابع across ساده است. داده‌های زیر را ببینید:

				
					iris
				
			
				
					.  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa

می‌خواهیم میانگین ستون‌های Sepal.Length و Petal.Length را محاسبه کنیم. این دو مقدار طول کاسبرگ‌ها و گلبرگ‌های گل زنبق هستند!

می‌توانید از تابع summarise برای بدست آوردن میانگین استفاده کنید:

				
					library(dplyr)
iris |>
  summarise(mean(Sepal.Length),
            mean(Petal.Length))
				
			
				
					.  mean(Sepal.Length) mean(Petal.Length)
1           5.843333              3.758

با استفاده از تابع across میتوانید این کد را به صورت زیر بنویسید:

				
					iris |>
  summarise(across(c(Sepal.Length, Petal.Length),
                   .fns = mean))
				
			
				
					.  Sepal.Length Petal.Length
1     5.843333        3.758

وجه تمایز تابع across در آن است که شما می‌توانید از توابع دیگر کتابخانه dplyr در آن نیز استفاده کنید. مثلا در مثالی که در دست داریم می‌توانیم تنها ستون‌هایی که با عبارت length خاتمه پیدا می‌کنند را انتخاب کنیم و نتیجه مشابهی را بدست بیاوریم. 

				
					iris |>
  summarise(across(ends_with("Length"), 
                   .fns = mean))
				
			
				
					.  Sepal.Length Petal.Length
1     5.843333        3.758

همچنین می‌توانید محدوده مشخصی از داده‌ها را برای اعمال تابع دلخواه خود مشخص کنید. فرض کنید می‌خواهید روی تمام ستون‌های مجموعه داده‌های iris میانگین را محاسبه کنید:

				
					iris |>
  summarise(across(Sepal.Length:Petal.Width, 
                   .fns = mean))
				
			
				
					  Sepal.Length Sepal.Width Petal.Length Petal.Width
1     5.843333    3.057333        3.758    1.199333

حتی برای ساده‌تر شدن می‌توانید تنها ستون‌هایی که خاصیتی مشخص دارند را انتخاب کنید. در مثالی که در دست داریم می‌توانیم تنها ستون‌هایی که عددی هستند را برای محاسبه میانگین استفاده کنیم.

				
					iris |>
  summarise(across(where(is.numeric), 
                   .fns = mean))
				
			
				
					.  Sepal.Length Sepal.Width Petal.Length Petal.Width
1     5.843333    3.057333        3.758    1.199333

قدرت تابع across زمانی بیشتر مشخص می‌شود که شما بخواهید بیشتر از یک تابع را روی دسته‌ای از ستون‌ها اعمال کنید. با استفاده از خاصیت لیست‌ این کار ساده است. در مثالی که در دست داریم می‌خواهیم علاوه بر میانگین، انحراف معیار را نیز برای طول گلبرگ و کاسبرگ را محاسبه کنیم.

				
					iris |>
  summarise(across(ends_with("Length"),
                   .fns = list(mean = mean, sd = sd)))
				
			
				
					.  Sepal.Length_mean Sepal.Length_sd Petal.Length_mean Petal.Length_sd
1          5.843333       0.8280661             3.758        1.765298

از تابع across می‌توانید در دیگر توابع کتابخانه dplyr مانند mutate نیز استفاده کنید. این کار باعث کوتاه‌تر و ساده‌تر شدن راه حل‌ها می‌شود. 

thumbnail

دوره جامع طراحی و تحلیل کارآزمایی بالینی با R

Amene Ebrahim | چطور می‌توان یک تابع را روی چند ستون اعمال کرد؟ آمنه ابراهیم ولوجردی kiarash | چطور می‌توان یک تابع را روی چند ستون اعمال کرد؟ کیارش تنها Teachers Alireza Kadivar O1 | چطور می‌توان یک تابع را روی چند ستون اعمال کرد؟ علیرضا کدیور
6 میلیون تومانخرید دوره
thumbnail

پردازش داده با data.table در R

Alireza.Chamanzar | چطور می‌توان یک تابع را روی چند ستون اعمال کرد؟ علیرضا چمن‌زار
ثبت نام کنید
thumbnail

دوره جامع تحلیل داده با R

Teachers Alireza Kadivar O1 | چطور می‌توان یک تابع را روی چند ستون اعمال کرد؟ علیرضا کدیور d mag Authors zahra hosseinzade 2 | چطور می‌توان یک تابع را روی چند ستون اعمال کرد؟ حمیده حسین‌زاده Alireza.Chamanzar | چطور می‌توان یک تابع را روی چند ستون اعمال کرد؟ علیرضا چمن‌زار shamim taheri | چطور می‌توان یک تابع را روی چند ستون اعمال کرد؟ شمیم طاهری k karimipoor 1 | چطور می‌توان یک تابع را روی چند ستون اعمال کرد؟ کوثر کریمی‌پور
5 میلیون و 400 هزار تومانخرید دوره

The post چطور می‌توان یک تابع را روی چند ستون اعمال کرد؟ appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]> https://d-learn.ir/p/across-function/feed/ 0 دوره آموزشی تحلیل و مصورسازی داده در R https://d-learn.ir/visual-analytics-in-r/ https://d-learn.ir/visual-analytics-in-r/#respond Mon, 05 Sep 2022 13:02:12 +0000 https://d-learn.ir/?p=14616 این صفحه به معرفی دوره آموزشی «تحلیل و مصورسازی داده در R» در مدرسه پردزاش و تحلیل داده دقیقه  اختصاص دارد. این دوره آموزشی با نگاهی کاربردی و عملیاتی تهیه شده و در 10 جلسه در 5 هفته برگزار می‌شود. در طول این دوره، پس از یادگیری چگونگی تحلیل و مصورسازی داده در زبان R و […]

The post دوره آموزشی تحلیل و مصورسازی داده در R appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]>

این صفحه به معرفی دوره آموزشی «تحلیل و مصورسازی داده در R» در مدرسه پردزاش و تحلیل داده دقیقه  اختصاص دارد. این دوره آموزشی با نگاهی کاربردی و عملیاتی تهیه شده و در 10 جلسه در 5 هفته برگزار می‌شود. در طول این دوره، پس از یادگیری چگونگی تحلیل و مصورسازی داده در زبان R و تمرین و دریافت مستمر بازخورد، داده‌های واقعی را پردازش خواهیم کرد و با دنیای هیجان‌انگیز اکتشاف در داده‌های واقعی آشنا خواهیم شد و در پایان با یک پروژه تحلیل و مصورسازی داده دست و پنجه نرم خواهیم کرد. 

سرفصل‌های دوره در ادامه آمده است: 

هفته اول

جلسه 1: معرفی چند نمونۀ جذاب از مصورسازی داده‌ و کاربردهای آن، نصب R و RStudio
جلسه 2: آشنایی با مفهوم کتابخانه‌ و اهمیت آن در R، نصب و فراخوانی کتابخانه ggplot2 و رسم اولین نمودار!

هفته دوم

جلسه 3: مصورسازی داده‎‌های واقعی با استفاده از ggplot2
جلسه 4: تمرین انواع مصورسازی با ggplot2 و آشنایی با theme

  • سری اول تمرین‌ها: تحلیل و مصورسازی داده‌‌های واقعی در R

هفته سوم

جلسه 5: آشنایی با مقدارها و عملگرهای پایه در R 
جلسه 6: کار با بردارها و جداول در R 

  • سری دوم تمرین‌ها: پردازش و تحلیل داده در R

هفته چهارم

جلسه 7: وارد کردن داده‌های مختلف داده در R و تغییر ساختار آن‌ها با استفاده از کتابخانه dplyr
جلسه 8: خلاصه‌سازی، تجمیع و تلفیق داده‌ها با استفاده از کتابخانه dplyr و مصورسازی‌های پیچیده‌تر

  • سری سوم تمرین‌ها: تغییر و تبدیل داده‌های واقعی با استفاده از کتابخانه dplyr

هفته پنجم

جلسه 7: ترسیم نقشه‌های گوناگون با استفاده از کتابخانه ggplot2 در R 
جلسه 8: مصورسازی داده‌های مکانی روی نقشه

  • سری چهارم تمرین‌ها: ترسیم نقشه و مصورسازی داده‌های مکانی

پروژه‌ پایانی: پردازش، تحلیل و مصورسازی داده‌های واقعی

مدرس‌ها

بهمن اجدری

بهمن اجدری

تحلیلگر داده در شرکت پردازش و داده دقیقه، تحلیلگر در مجله تحلیلی «دقیقه‌ای برای تأمل»، دانش‌آموخته بازاریابی در کسب و کارهای الکترونیک از دانشگاه لولئا در سوئد و مدیریت گردشگری از دانشگاه کارولینای جنوبی در آمریکا و دانشجوی جامعه‌شناسی در دانشگاه خوارزمی

علیرضا کدیور

علیرضا کدیور

تحلیلگر داده در شرکت پردازش و تحلیل داده دقیقه، تحلیلگر در مجله «دقیقه‌ای برای تأمل»، دانش‌آموخته مهندسی صنایع در دانشگاه شریف و آمار و تحقیق در عملیات در دانشگاه اسکس انگلستان، مدرس مبانی برنامه‌‎نویسی و مقدمات تحلیل داده در دانشگاه شریف

دستیار آموزشی و پشتیبان دوره

لعیا غفاریان

لعیا غفاریان

دانش‌آموخته اقتصاد شهری از دانشگاه اصفهان، تحلیلگر داده در مجله «دقیقه‌ای برای تأمل»

شرکت در این دوره آموزشی هیچ پیش‌نیازی جز علاقه به موضوع و انگیزه لازم ندارد. شرکت‌کنندگان در طول دوره نسبت به فعالیت‌ها و تمرین‌های خود بازخورد دریافت می‌کنند و امکان پرسش و پاسخ دارند. 

این دوره آموزشی برای چه کسانی مناسب است؟

  • تحلیلگران و کارشناسان کسب‌وکارها و سازمان‌ها
  • کسانی‌ که می‌خواهند وارد بازار کار تحلیل داده شوند.
  • پژوهشگرانی که با تحلیل و مصورسازی داده‌های کمّی سر و کار دارند.
  • تحلیلگرانی که به مصورسازی داده‌های مکانی و ترسیم نقشه علاقه‌مندند.
  • کسانی که دوست دارند کار با R را یاد بگیرند و داده‌های خود را به وسیله آن تحلیل کنند.
  • کسانی کار با R را تازه شروع کرده‌اند و می‌خواهند دانش و توانایی خود را ارتقا دهند.
 

پس از اتمام موفق دوره، گواهی گذراندن دوره از طرف مدرسه پردازش و تحلیل داده دقیقه برای شرکت‌کنندگان صادر خواهد شد.

تاریخ‌های مهم

  • مهلت ثبت نام: 15 مهر 1401 
  • مهلت ثبت نام زودهنگام (با تخفیف 25%): 31 شهریور 
  • تاریخ شروع: 21 مهر
  • زمان برگزاری: پنج‌شنبه‌ها ساعت 9 تا 10:30 و 11:00 تا 13:30 

ثبت نام حضوری

شهریه: 1.800.000 تومان
ظرفیت ثبت نام: 13 نفر

ثبت نام  تا 31 شهریور با 25% تخفیف:
شهریه: 1.350.000 تومان

محل برگزاری: تهران، خیابان شهیدبهشتی، خیابان خالد اسلامبولی (وزرا)، کوچه سوم، مرکز نوآوری نشر دانش

ثبت نام آنلاین

شهریه: 1.000.000 تومان
ظرفیت ثبت نام: 30 نفر

ثبت نام  تا 31 شهریور با 25% تخفیف:
شهریه: 750.000 تومان

محل برگزاری: google meet

تخفیف: اگر دانشجو هستید یا هنوز وارد بازار کار نشده‌اید و شهریه این دوره برای شما سنگین است، لطفا روزمه خود برای درخواست کد تخفیف را به آدرس dlearn.school@gmail.com ارسال نمایید. 

اگر سوالی درباره این دوره آموزشی دارید در انتهای همین صفحه در بخش دیدگاه‌ها بنویسید یا از طریق صفحه  تماس با ما در میان بگذارید.

شماره تماس:    8995140-0912

برگزارکنندگان:

مدرسه پردازش و تحلیل داده دقیقه
d-learn.ir
شرکت تحلیل و پردازش دقیقه
statsminute.ir
d mag final TP 1 e1615484552715 | دوره آموزشی تحلیل و مصورسازی داده در R
d-mag.ir
logo2 | دوره آموزشی تحلیل و مصورسازی داده در R
mizokar.ir

The post دوره آموزشی تحلیل و مصورسازی داده در R appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]> https://d-learn.ir/visual-analytics-in-r/feed/ 0